73 lines
2.4 KiB
Markdown
73 lines
2.4 KiB
Markdown
# 统一社会信用代码 OCR 核实配方
|
|
|
|
## 适用场景
|
|
合同首页甲乙方统一社会信用代码 OCR 乱码（如 "MA INAEBX26" 应为 "MA1NAEBX26"），需要核实正确值。
|
|
|
|
## 核实步骤
|
|
|
|
### 1. tesseract 重读首页
|
|
```bash
|
|
# 渲染首页 200 DPI
|
|
python3 -c "
|
|
import fitz
|
|
doc = fitz.open('合同.pdf')
|
|
page = doc[0]
|
|
mat = fitz.Matrix(200/72, 200/72)
|
|
pix = page.get_pixmap(matrix=mat)
|
|
pix.save('page1.png')
|
|
"
|
|
|
|
# 裁剪公司名+信用代码区域（通常页面 15-30% 高度）
|
|
python3 -c "
|
|
from PIL import Image
|
|
img = Image.open('page1.png')
|
|
w, h = img.size
|
|
crop = img.crop((0, int(h*0.15), w, int(h*0.30)))
|
|
crop.save('page1_credit.jpg', 'JPEG', quality=75)
|
|
"
|
|
|
|
# tesseract 读取
|
|
tesseract page1_credit.jpg stdout -l chi_sim+eng --psm 6
|
|
```
|
|
|
|
### 2. 企查查 web 搜索交叉验证
|
|
```
|
|
web_search: "公司全称" 统一社会信用代码 企查查
|
|
```
|
|
企查查结果通常直接显示完整 18 位信用代码。
|
|
|
|
### 3. 校验位验证（Python）
|
|
统一社会信用代码第 18 位是校验位，可用以下脚本验证：
|
|
```python
|
|
def verify_credit_code(code):
|
|
if len(code) != 18:
|
|
return False
|
|
weights = [1,3,9,27,19,26,16,17,20,29,25,13,8,24,10,30,28]
|
|
chars = '0123456789ABCDEFGHJKLMNPQRTUWXY'
|
|
code_map = {c:i for i,c in enumerate(chars)}
|
|
total = sum(code_map[code[i]] * weights[i] for i in range(17))
|
|
check = 31 - (total % 31)
|
|
if check == 31: check = 0
|
|
expected = chars[check] if check < len(chars) else '?'
|
|
return expected == code[17], expected, code[17]
|
|
```
|
|
|
|
## OCR 常见误识模式
|
|
- `MA1NAEBX26` → `MA INAEBX26`（数字0被识别为空格）
|
|
- `MADQRFT66P` → `MADQRFT66P`（通常正确，但需验证末位校验位）
|
|
- 数字 `0` 和字母 `O` 混淆
|
|
- 数字 `1` 和字母 `I` 混淆
|
|
|
|
## 判据
|
|
- tesseract 重读结果与企查查一致 → 采用
|
|
- tesseract 重读结果与企查查不一致 → 以企查查为准（企查查是权威工商数据源）
|
|
- 校验位验证不通过 → OCR 有误，回企查查取正确值
|
|
|
|
## 与 OCR 完整性检查脚本的关系
|
|
`ocr-integrity-check.py` 已修复：信用代码中的字母序列（前后有数字的）不再误报为"公司名乱码"。修复方式：检测字母序列前后是否为数字，如是则跳过。
|
|
|
|
## 2026-06-29 实证
|
|
- 解放中路：甲方 "91320600MA1NAEBX26"（企查查确认）
|
|
- 通大附：甲方 "91320600MA1NAEBX26"（企查查确认）
|
|
- 通大附：乙方 "91320602MADQRFT66P"（校验位 P 验证通过）
|