lingyu9495-source 银行材料扫描件按户拆分（批量材料→单户Word）
触发条件
- 客户（律所/银行/催收机构）发来批量材料压缩包（RAR/ZIP 加密）或大 docx（61MB+，全是扫描件图片）
- 要求"把身份证和开卡申请书拆出来，分别放到各自的 Word 文件里"
- 要求"单户 Word = 该客户身份证正面 + 对应背面 + 对应银行申请材料，一个不能漏"
- 用户强调"从头检查一遍"——此类任务质量要求高，识别错误=客户损失
用户铁律（2026-08-19 用户）
- 单户 Word 必须包含：身份证正面 + 对应背面（国徽页）+ 对应申请材料（申请书），一张不漏
- 文件名标注清楚：
姓名-身份证+开卡申请书.docx - 待人工核对：识别不出/无法匹配的单独放"待人工核对"文件夹，不混在正常结果里
- 用户要求统计：从识别开始到完成分拆的耗时、调用次数、token、费用——客户可复用定价依据
完整工作流（5步）
Step1 解包
# 加密RAR用7z（本机 C:\Program Files\7-Zip\7z.exe）
"C:/Program Files/7-Zip/7z.exe" x -p"密码" input.rar -y
# 客户给的密码要问用户；RAR5格式7z可解
- 常见形态：RAR解压后是一个超大 docx（如《影像材料2.docx》61MB），里面没有文字，全是图片
Step2 从docx提取图片
import zipfile
with zipfile.ZipFile('影像材料2.docx') as z:
media = [f for f in z.namelist() if f.startswith('word/media/') and f.endswith('.png')]
for f in media: z.extract(f, out_dir)
- docx本质是zip，图片在 word/media/ 下，命名 image1.png~imageN.png
- 图片编号 = 原始扫描顺序，后面归户会用到
Step3 视觉识别分类（⭐核心：模型选型）
绝不用 GLM-4V-Flash 做关键证件识别！（本session实测幻觉：11/18张身份证背面被编造成"正面"+编造姓名）
用豆包 Seed 2.0 Pro（doubao-seed-2-0-pro-260215，VLM，准确）：
payload = {
"model": "doubao-seed-2-0-pro-260215",
"messages": [{"role": "user", "content": [
{"type": "text", "text": "这是银行客户材料扫描件。判断类别并提取关键信息：\n类别只能是：身份证正面、身份证背面、开卡申请书、信用卡申请书、其他材料\n正面→提取姓名+身份证号；背面→提取签发机关；申请书→提取申请人姓名\n输出格式：类别：XXX\n姓名：XXX（无则写无）\n身份证号：XXX\n签发机关：XXX"},
{"type": "image_url", "image_url": {"url": f"data:image/png;base64,{b64}"}}
]}],
"max_tokens": 200
}
# base_url: https://ark.cn-beijing.volces.com/api/v3/chat/completions
# KEY: .env 的 ARK_API_KEY
- 每张间隔1s防限流，每15张存进度json（断点续传），重试3次（429/超时等5-8s）
- 136张约35-40分钟（17s/张）——后台跑+notify_on_complete
Step4 按户归组（正面定户→背面匹配→申请书匹配）
- 正面姓名定户：每张"身份证正面"提取姓名→建户（每户有fronts/backs/apps三个列表）
- 背面匹配（按签发机关地区 ↔ 正面身份证前6位地区码）：
- 维护地区码→公安局名映射表（450122=武鸣、452128=武鸣、450126=宾阳...广西为主，客户是广西银行时）
- 匹配成功→归户；市级签发机关（南宁市公安局/柳州市公安局）无法唯一匹配→豆包成对对比（一次传正面+背面两张图问"是否同一人"）或待人工核对
- 申请书匹配（姓名）：直接匹配 + 拼音模糊匹配（pypinyin）：
lazy_pinyin(name)前2字同音即匹配（黄祉玲→黄令、唐咸梅→唐凤梅、姚贤明→姚先明）- 手写体申请书姓名识别偏差大，模糊匹配是救回的关键
- ⚠️ 别用"原始顺序相邻"匹配正反面——多人混排时会把别人背面归错户（本session教训：顺序匹配44张>实际34张）
Step5 生成单户Word（python-docx）
from docx import Document
from docx.shared import Cm
doc = Document()
# 标题（居中加粗）：{姓名} - 银行材料
# 【身份证正面】→ 图宽8cm，逐张 add_picture + 空行
# 【身份证背面】→ 同上
# 【银行申请材料】→ 图宽12cm
doc.save(f"{out_dir}/{name}-身份证+开卡申请书.docx")
- 文件名：
{姓名}-身份证+开卡申请书.docx - 未匹配背面/申请书 → 复制到
待人工核对/子目录
成本统计（用户要求，交付时给）
# 从API响应 usage 字段累计：prompt_tokens/completion_tokens
# 估算：高清扫描件每张≈2000 tokens输入、200 tokens输出
# 豆包Seed 2.0 Pro视觉：输入≈0.008元/千tokens → 136张全量约2-5元
# 耗时：从识别开始到Word完成
交付给用户的统计表：调用次数、输入/输出tokens、估算费用、总耗时（本session：136张≈180次调用、45万tokens、3-5元、35分钟识别+几分钟归户）
关键坑
- GLM-4V-Flash幻觉（本session最痛教训）：识别不出就"编"——把背面编成正面+编造姓名。关键识别必须用豆包
- docx图片提取：用zipfile直接读 word/media/，不要用python-docx的inline_shapes（大文件慢且不全）
- PIL图像增强：RGBA模式要先 convert('RGB') 才能做 Contrast/Sharpness/autocontrast；旋转90°的身份证 h>w*1.5 时生成 ±90°两个版本分别识别
- 地区码映射表：广西为主时手工维护县→公安局映射（4501=南宁、4502=柳州...），客户是外省时按身份证前6位查行政区划
- 豆包慢：17s/张，批量必须后台跑+断点续传，别前台等
- 识别"看不清"的件：先PIL增强再二次识别，仍不行才进待人工核对
相关技能
- 视觉模型矩阵/费用纪律：见 model-cost-discipline（user-owned，仅参考）
- 本地OCR：deepseek-ocr（Ollama）适合整页文字OCR，不适合证件分类
关于作者
九品锦锂e ｜ 把踩过的坑封装成「拿来就能跑」的 skill，不写教科书。
这个 skill 是我自己在用的版本，里面每条坑都是真踩过的。用的时候卡住了、想要进阶玩法、或者有别的场景想让我封装成 skill，直接加我微信说，加时备注「SkillHub」我优先通过：
扫码添加作者微信 · 备注「SkillHub」优先通过