Invoice From Email

从邮箱自动搜索下载发票/行程单附件，智能三级文字提取（PyMuPDF/Tesseract/PaddleOCR自动降级），发票+行程单合并排版到A4纸，生成双Sheet费用清单Excel。零OCR依赖即可处理90%+电子发票。

邮箱发票自动整理

从指定邮箱搜索发票邮件 → 下载附件 → 本地智能提取（三级自动选最优）→ 合并发票+行程单PDF → 生成费用清单 Excel → 放到桌面。

依赖技能

• imap-smtp-email — 邮件搜索与附件下载
• 发票合并/提取/解析/Excel 脚本已内嵌在 scripts/ 目录，无需额外安装

其他用户安装（跨平台，越轻越好）

本技能的核心设计原则：能用文字层直读就不用 OCR，能用轻量 OCR 就不用重型 OCR。

必装（两条命令，macOS / Windows / Linux 通用）

bash

pip install PyMuPDF openpyxl

PyMuPDF 是 merge_invoices.py 的硬依赖，也是 PDF 文字提取的主力（L1）。openpyxl 用于生成 Excel。

推荐加装（覆盖扫描件场景，~35MB，2 分钟）

bash

# macOS
brew install tesseract
# 只下载中文语言包（2.4MB），不要装 tesseract-lang（会装全部 163 种语言 654MB）
curl -L -o /opt/homebrew/share/tessdata/chi_sim.traineddata \
  https://github.com/tesseract-ocr/tessdata/raw/main/chi_sim.traineddata
pip install pytesseract

# Windows（一条路）
# 1. 下载安装 Tesseract: https://github.com/UB-Mannheim/tesseract/wiki
#    安装时勾选 "Chinese Simplified" 语言包
# 2. pip install pytesseract

# Linux
sudo apt install tesseract-ocr tesseract-ocr-chi-sim
pip install pytesseract

Tesseract + 中文语言包约 50MB，能处理扫描件/图片型 PDF。

可选增强

增强项	用途	安装量	何时装
PaddleOCR	最佳中文 OCR 精度	~600MB	大批量处理、复杂扫描件
MinerU	云端 API，处理表格/公式	npm 全局包	需要云端处理能力时

💡 90%+ 的电子发票走 PyMuPDF 文字层直读（L1），以上两项均不需要。

PDF 提取策略（三级智能，自动选最优）

ocr_extract.py 对每个 PDF 自动选择最佳方法，无需用户干预：

级别	方法	何时触发	速度	跨平台
L1	PyMuPDF 直接读文字层	默认（电子发票文字型 PDF）	毫秒级	✅
L2	Tesseract OCR	文字层为空（扫描件），且 Tesseract 已装	秒级	✅
L3	PaddleOCR	L1/L2 均失败，且 PaddleOCR 已装	十秒级	✅

提取脚本：scripts/ocr_extract.py

bash

python ocr_extract.py <发票.pdf> <输出.md>
# 自动输出用了哪一级：PyMuPDF 文字层 / Tesseract OCR / PaddleOCR

运行前检查（每次必做）

在开始工作流程之前，依次执行以下检查：

1. 检查邮箱配置

bash

cat /Users/lulingyan/.workbuddy/skills/imap-smtp-email/.env 2>/dev/null

.env 存在且 IMAP_PASS= 非空 → 通过。否则暂停，执行下方「首次使用：邮箱授权引导」。

2. 检查必装依赖

bash

# PyMuPDF（merge_invoices.py + 文字提取 L1 共用）
python3 -c "import fitz; print('✅ PyMuPDF', fitz.version[0])" 2>/dev/null || echo "❌ 缺少 PyMuPDF：pip install PyMuPDF"

# openpyxl（Excel 生成）
python3 -c "import openpyxl; print('✅ openpyxl')" 2>/dev/null || echo "❌ 缺少 openpyxl：pip install openpyxl"

3. 检查可选增强（有则自动启用）

bash

# Tesseract（L2 扫描件 OCR）
which tesseract 2>/dev/null && tesseract --list-langs 2>/dev/null | grep -q chi_sim && echo "✅ Tesseract + 中文" || echo "ℹ️  Tesseract 未装（扫描件走 L3 或跳过）"

# PaddleOCR（L3 深度 OCR，有专用 venv）
PADDLE_VENV=/Users/lulingyan/.workbuddy/binaries/python/envs/paddleocr
$PADDLE_VENV/bin/python -c "from paddleocr import PaddleOCR; print('✅ PaddleOCR')" 2>/dev/null || echo "ℹ️  PaddleOCR 未装"

# MinerU（可选云端 API）
which mineru-open-api 2>/dev/null && echo "✅ MinerU" || echo "ℹ️  MinerU 未装"

4. 检查合并脚本

bash

ls /Users/lulingyan/.workbuddy/skills/invoice-from-email/scripts/merge_invoices.py 2>/dev/null && echo "✅ merge_invoices.py" || echo "❌ 缺少 merge_invoices.py"

首次使用：邮箱授权引导

按以下步骤引导新用户完成配置（用自然语言与用户交互，不要直接写文件）：

第1步：询问邮箱地址

"请问你的发票邮箱地址是？（例如 [e-mail]）"

第2步：根据邮箱后缀判断服务商

后缀	IMAP Host	端口	SMTP Host	端口	密码类型
@163.com / @vip.163.com	imap.163.com	993	smtp.163.com	465	授权码
@126.com / @vip.126.com	imap.126.com	993	smtp.126.com	465	授权码
@qq.com	imap.qq.com	993	smtp.qq.com	587	授权码
@gmail.com	imap.gmail.com	993	smtp.gmail.com	587	App Password
@outlook.com	outlook.office365.com	993	smtp.office365.com	587	正常密码

第3步：提醒获取授权码（关键！）

根据服务商提示用户：

• 163/126/QQ：登录网页邮箱 → 设置 → POP3/SMTP/IMAP → 开启 IMAP → 生成授权码（不是登录密码！）
• Gmail：Google 账户 → 安全性 → 两步验证 → 应用专用密码
• 详细步骤参考 imap-smtp-email SKILL.md 的 Configuration 章节

第4步：帮用户生成 .env 文件

收集到邮箱地址和授权码后，用 Write 工具写入：

text

路径：/Users/lulingyan/.workbuddy/skills/imap-smtp-email/.env

（参考 imap-smtp-email SKILL.md 中 Configuration 章节的模板）

第5步：测试连接

bash

cd /Users/lulingyan/.workbuddy/skills/imap-smtp-email
node scripts/imap.js check --limit 1

• 成功 → 显示最近一封邮件标题，告知用户"邮箱配置成功，开始处理发票"
• 失败 → 根据报错引导排查（见下方常见问题）

常见错误：

报错	原因	解决方案
Authentication failed	授权码错误，或未开启 IMAP	重新生成授权码，确认 IMAP 已开启
Connection timeout	主机名/端口错误	核对上表，确认网络可访问对应端口

前置提醒（每次运行务必先告知用户）

在正式开始搜索邮件之前，必须先用一句话提醒用户：

⚠️ 请确认发到邮箱里的发票/行程单附件是 PDF 格式。OFD、XML、图片等格式无法自动处理。如同时收到 PDF + OFD，PDF 已满足报销需求，OFD 直接跳过。

工作流程

第一步：搜索邮件（多路精准搜索，不截断）

原则：不用 --limit 截断，先搜发票关键词再搜行程单关键词，合并去重，确保不漏。

bash

cd /Users/lulingyan/.workbuddy/skills/imap-smtp-email

# 按发票相关主题搜（不加 limit，全部返回）
node scripts/imap.js search --since 2026-06-01 --before 2026-07-01 --subject "发票" --limit 500

# 按行程单/报销相关主题搜
node scripts/imap.js search --since 2026-06-01 --before 2026-07-01 --subject "报销" --limit 500
node scripts/imap.js search --since 2026-06-01 --before 2026-07-01 --subject "行程" --limit 500

# 如用户指定"最近一周"等短时间范围，可用 --recent 代替日期
node scripts/imap.js search --recent 7d --subject "发票" --limit 500

⚠️ 不要用 --limit 50：一个月可能有数百封邮件，低 limit 会截断结果导致漏票。用 --limit 500 或直接省略（IMAP 按时间范围返回全部）。

从输出中筛出含发票/行程单 PDF 附件的邮件，记录其 UID。重点关注以下发件人：

• 高德打车 / 风韵出行 / 妥妥E行 / 雷利出行 / 快来车（聚合出行服务商）
• 滴滴出行
• 携程 / 同程
• 12306 / 铁路客服
• 航空公司（航空公司行程单）

去重：检查工作目录的 .processed_uids 文件（如存在），跳过已处理的 UID：

bash

cat <工作目录>/.processed_uids 2>/dev/null

第二步：下载附件

工作目录：<当前 workspace>/invoices_YYYYMMDD/（按当天日期命名，例如 /Users/lulingyan/WorkBuddy/2026-07-14-16-38-40/invoices_20260714/）

bash

mkdir -p <工作目录>

# 逐封邮件下载全部附件
node scripts/imap.js download <UID> --dir <工作目录>

下载完成后，记录已处理的 UID：

bash

echo "<UID>" >> <工作目录>/.processed_uids

第三步：解压 zip（12306 / 航空公司邮件）

bash

cd <工作目录>
unzip -o *.zip 2>/dev/null

# 如果 zip 文件名含中文乱码（常见于 12306 邮件），用 Python 解压：
python3 -c "
import zipfile, os
for zf_name in [f for f in os.listdir('.') if f.endswith('.zip')]:
    z = zipfile.ZipFile(zf_name)
    for info in z.infolist():
        name = info.filename.encode('cp437').decode('gbk', errors='replace')
        if name.lower().endswith('.pdf'):
            with z.open(info) as src, open(name, 'wb') as dst:
                dst.write(src.read())
            print(f'Extract: {name}')
"

解压后的 PDF 通常为纯数字文件名（12306 火车票），或含行程内容的 PDF。

第四步：提取 PDF 文本 + 结构化解析（全自动）

对工作目录下所有 PDF，提取 → 解析 → 输出 JSON，全程脚本完成，AI 不参与字段解析。

bash

TS=$(date +%s)
EXTRACT=/Users/lulingyan/.workbuddy/skills/invoice-from-email/scripts/ocr_extract.py
PARSE=/Users/lulingyan/.workbuddy/skills/invoice-from-email/scripts/parse_invoice.py
i=1

for pdf in <工作目录>/*.pdf; do
    echo "=== $(basename "$pdf") ==="
    # 提取文本
    python3 "$EXTRACT" "$pdf" "/tmp/invoice_${TS}_${i}.md"
    # 结构化解析
    python3 "$PARSE" "/tmp/invoice_${TS}_${i}.md" -o "/tmp/invoice_${TS}_${i}.json"
    i=$((i+1))
done

输出示例：

json

{
  "type": "invoice",
  "file": "【高德打车-20260714】电子发票.pdf",
  "invoice_number": "2026071412345678",
  "invoice_date": "2026-07-14",
  "seller_name": "北京高德云图科技有限公司",
  "amount_excluding_tax": 25.47,
  "tax_amount": 1.53,
  "total_amount": 27.00
}

json

{
  "type": "train",
  "file": "G123_001.pdf",
  "train_number": "G123",
  "departure_station": "无锡站",
  "arrival_station": "上海虹桥站",
  "seat_type": "二等座",
  "amount": 59.50
}

AI 只需读取所有 /tmp/invoice_*.json 文件，直接填入 Excel，无需手工逐字段解析。

💡 如果 MinerU 已装且想用它处理特定文件，可以先跑 mineru-open-api flash-extract 出 .md，再跑 parse_invoice.py 解析。

第五步：合并发票 PDF（纯排版）

bash

/usr/bin/python3 /Users/lulingyan/.workbuddy/skills/invoice-from-email/scripts/merge_invoices.py <工作目录> <工作目录>/merged

脚本会自动：

• 按文件名【】前缀配对发票+行程单
• 上下布局合并输出到 merged/ 目录（发票在上、行程单在下）
• 落单发票只占上半张 A4
• 自动删除空白尾页

注意：merge_invoices.py 不再支持 --excel 参数。Excel 由第六步独立生成，数据源为第四步提取结果。

12306 纯数字文件名火车票不会自动配对，需在第六步 Excel 中单独列出行程信息，合并 PDF 时使用下方手动方式。

手动合并两张火车票（12306）： 用 PyMuPDF 将两张 PDF 上下拼合到一张 A4：

python

import fitz
a = fitz.open("票1.pdf")
b = fitz.open("票2.pdf")
out = fitz.open()
page = out.new_page(width=595, height=842)
page.show_pdf_page(fitz.Rect(0, 0, 595, 421), a, 0)
page.show_pdf_page(fitz.Rect(0, 421, 595, 842), b, 0)
out.save("merged/12306火车票_往返_合并.pdf")

第六步：生成费用清单 Excel（全自动）

generate_excel.py 读取第四步产出的所有 JSON 文件，自动分组配对、自动检测金额差异，生成双 Sheet Excel。

bash

# JSON 目录为第四步写入的 /tmp/（与 extract 同目录）
/usr/bin/python3 /Users/lulingyan/.workbuddy/skills/invoice-from-email/scripts/generate_excel.py /tmp/ <工作目录>/费用清单.xlsx

AI 无需手写 openpyxl。 脚本自动完成：

• Sheet1「费用清单」：发票+火车票，发票号码/日期/金额/备注
• Sheet2「行程单汇总」：行程单+火车票行程+机票行程（从发票备注自动提取航班号）
• 金额差异标注：发票价税合计与行程单金额不一致时，备注列自动标红

第七步：放到桌面（文件夹形式，防覆盖）

bash

# 如果同名文件夹已存在，加时间戳后缀
DESKTOP_DIR=~/Desktop/发票整理_$(date +%Y%m%d)
if [ -d "$DESKTOP_DIR" ]; then
    DESKTOP_DIR="${DESKTOP_DIR}_$(date +%H%M)"
fi
mkdir -p "$DESKTOP_DIR"

# 将 merged/ 所有文件和 Excel 移入桌面文件夹
cp <工作目录>/merged/* "$DESKTOP_DIR/"
cp <工作目录>/*.xlsx "$DESKTOP_DIR/" 2>/dev/null

命名规则：文件夹名 = 发票整理_YYYYMMDD，如果当天已存在则追加时间 发票整理_YYYYMMDD_HHMM

第八步：清理工作区

bash

# 清理临时提取和解析文件
rm -f /tmp/invoice_*.md /tmp/invoice_*.json

# 清理非 PDF/Excel 中间文件
cd <工作目录>
/usr/bin/trash *.ofd *.zip *.xml 2>/dev/null

如果用户说"可以删了"或"清理一下"，则删除整个工作目录（用 trash）：

bash

/usr/bin/trash <工作目录>

注意事项

• 12306 火车票：文件名是纯数字，merge_invoices.py 不会自动配对纯数字文件，需手动合并两张往返票。火车票数据需流入 Sheet2「行程单汇总」。
• 高德打车：发件人通常是"高德打车"或聚合出行服务商（风韵、妥妥E行、快来车、雷利出行），附件含发票 PDF + 行程单 PDF 各一份
• 邮箱配置：读取 ~/.workbuddy/skills/imap-smtp-email/.env 获取邮箱地址和密码
• Excel 预览问题：生成后让用户直接用 Excel/WPS 打开，不要在 IDE 预览 .xlsx
• 去重：每封邮件的 UID 在处理后记入 <工作目录>/.processed_uids，下次运行自动跳过
• 中断恢复：如果流程中断，已下载的附件和 .processed_uids 文件保留在工作目录中，重新执行时会跳过已处理邮件