档案数字化实操指南：如何利用扫描仪高效处理营业执照

一、硬件选型与扫描参数设置

要实现营业执照的自动化数字化，硬件是基础。不要盲目购买昂贵的工业级扫描仪，对于A4幅面的营业执照，高拍仪（高清晰度拍摄仪）或馈纸式扫描仪是性价比最高的选择。

1. 硬件连接与驱动安装

将扫描仪通过USB 3.0接口连接至电脑。Windows系统通常会自动识别并安装基础驱动，但为了保证图像质量，必须去官网下载专用驱动。例如，若使用的是佳能CanoScan LiDE 300，请访问佳能官网支持页面，下载并安装“LiDE 300 Scanner Driver”。安装完成后，在“设备和打印机”中测试扫描功能，确保硬件正常。

2. 关键扫描参数配置

很多扫描失败的原因在于初始参数设置错误。打开扫描仪自带的控制软件（如Canon IJ Scan Utility或VueScan），进行以下严格配置：

• 分辨率（DPI）：设置为 300 DPI。这是OCR（光学字符识别）识别中文的最低标准，低于此数值识别率会大幅下降。
• 色彩模式：选择 彩色（24-bit）。虽然营业执照是黑白的，但国徽和印章通常是红色，保留色彩有助于后续通过图像处理算法定位印章位置。
• 输出格式：选择 JPEG 或 PNG。如果是批量处理，JPEG体积更小；如果追求无损存档，选择PNG。
• 自动纠偏：开启此功能。扫描仪会自动检测纸张边缘并旋转图像，确保营业执照文字是水平的，这对后续OCR至关重要。

二、软件环境搭建：Python与Tesseract OCR

我们将使用Python作为开发语言，配合OpenCV进行图像处理，使用Tesseract进行文字识别。这套方案完全免费且开源。

1. 安装Python环境

访问 https://www.python.org/downloads/ 下载Python 3.10或3.11版本的Windows安装包。安装时，务必勾选底部的 "Add Python to PATH" 选项，否则后续命令行无法直接调用Python。

2. 安装Tesseract OCR引擎

Tesseract是谷歌开源的OCR引擎。直接访问 https://github.com/UB-Mannheim/tesseract/wiki 下载 tesseract-ocr-w64-setup-5.x.x.exe（64位版本）。安装过程中，在“Choose Components”界面，务必勾选 Chinese (Simplified) 和 Chinese (Simplified, Vertical) 语言包，否则无法识别中文。

安装完成后，默认路径通常为 C:\Program Files\Tesseract-OCR\tesseract.exe。请记住这个路径，后续代码中需要配置。

3. 安装Python依赖库

打开Windows命令提示符（CMD），依次执行以下命令安装所需库：

```bash pip install opencv-python pip install pytesseract pip install pillow pip install pandas ```

三、核心代码实现：图像预处理与识别

在D盘新建一个文件夹 license_scan，放入一张扫描好的营业执照图片，命名为 test.jpg。在该文件夹下新建一个文本文件，重命名为 process.py。

1. 配置Tesseract路径

在代码开头，必须指定Tesseract的可执行文件路径，否则程序会报错。

```python import pytesseract import cv2 import os import re 请根据实际安装路径修改，如果未添加环境变量，必须在此指定 pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe' ```

2. 图像预处理函数

扫描出来的图片往往带有噪点，或者光照不均。直接识别效果差，必须进行预处理。我们使用OpenCV进行灰度化、二值化和降噪处理。

```python def preprocess_image(image_path): 读取图片 image = cv2.imread(image_path) 转为灰度图 gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 双边滤波去噪，保留边缘信息 d=9, sigmaColor=75, sigmaSpace=75 是针对文档扫描的经验值 denoised = cv2.bilateralFilter(gray, 9, 75, 75) 自适应阈值二值化 这一步能把文字变成纯黑，背景变成纯白，极大提升OCR准确率 binary = cv2.adaptiveThreshold( denoised, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2 ) return binary ```

3. 信息提取核心逻辑

利用正则表达式从OCR识别出的长文本中精准提取关键字段。营业执照的格式是标准的，我们可以利用这一特点。

```python def extract_license_info(text): info = {} 提取统一社会信用代码 通常是18位，由数字和大写字母组成 credit_code_pattern = r'统一社会信用代码[：:\s]([0-9A-HJ-NP-QRT-UW-Y]{18})' code_match = re.search(credit_code_pattern, text) if code_match: info['统一社会信用代码'] = code_match.group(1) 提取名称 利用“名称”关键字后的内容，直到遇到“类型”或换行 name_pattern = r'名[称称][：:\s](.?)(?=\s(类型|法定代表人))' name_match = re.search(name_pattern, text) if name_match: info['企业名称'] = name_match.group(1).strip() 提取法定代表人 person_pattern = r'法定代表人[：:\s](.?)(?=\s(经营范围|成立日期))' person_match = re.search(person_pattern, text) if person_match: info['法定代表人'] = person_match.group(1).strip() 提取地址 addr_pattern = r'住所[：:\s](.?)(?=\s(经营范围|法定代表人))' addr_match = re.search(addr_pattern, text) if addr_match: info['住所'] = addr_match.group(1).strip() return info ```

四、完整执行流程与批量处理

将上述函数组合，编写主程序。这里包含一个关键技巧：设置OCR的页面分割模式（PSM）。营业执照是结构化文本，使用 --psm 6（假设为统一文本块）通常效果最好。

```python def main(): input_folder = r'D:\license_scan' output_file = os.path.join(input_folder, 'result.csv') results = [] 遍历文件夹中的所有jpg图片 for filename in os.listdir(input_folder): if filename.lower().endswith(('.jpg', '.png')): print(f"正在处理: {filename}...") file_path = os.path.join(input_folder, filename) try: 1. 预处理 processed_img = preprocess_image(file_path) 2. OCR识别 lang='chi_sim' 指定简体中文 config='--psm 6' 指定识别模式 text = pytesseract.image_to_string( processed_img, lang='chi_sim', config='--psm 6' ) 3. 提取信息 data = extract_license_info(text) data['原始文件名'] = filename results.append(data) print(f"识别成功: {data.get('企业名称', '未知')}") except Exception as e: print(f"处理 {filename} 失败: {str(e)}") 4. 导出为Excel/CSV if results: import pandas as pd df = pd.DataFrame(results) 重新排列列顺序，方便查看 df = df[['原始文件名', '统一社会信用代码', '企业名称', '法定代表人', '住所']] df.to_csv(output_file, index=False, encoding='utf-8-sig') print(f"所有文件处理完毕，结果已保存至: {output_file}") else: print("未找到可处理的图片文件。") if __name__ == "__main__": main() ```

五、常见问题与解决方案

在实操过程中，你可能会遇到以下两个最常见的问题，请按此方案解决：

1. 识别率低，全是乱码

原因： 图片分辨率过低，或者Tesseract未正确加载中文语言包。

解决： 检查扫描DPI是否为300。如果确认DPI无误，检查代码中 lang='chi_sim' 是否拼写正确。如果仍然报错，请重新运行Tesseract安装包，确保“Chinese (Simplified)”被勾选安装。

2. 提取字段为空

原因： 营业执照排版虽然标准，但不同年份的版本在“名称”与“类型”之间的换行符数量不同，导致正则表达式匹配失败。

解决： 调试正则表达式。在代码中 print(text) 打印出OCR识别的原始文本，观察关键字之间到底是用空格、换行符还是制表符分隔的，然后修改 extract_license_info 函数中的正则模式。例如，将 \s 改为 [\s\n] 以兼容换行。