bank-scan-household-splitter

Bank-Material-Scans nach Haushalt aufteilen (Batch-Material → Einzelhaushalt-Word)

Auslöser

• Kunde (Anwaltskanzlei/Bank/Inkassobüro) sendet ein Batch-Material-Archiv (RAR/ZIP verschlüsselt) oder eine große DOCX (61 MB+, nur Scan-Bilder)
• Anforderung: „Ausweise und Kontoeröffnungsanträge herauslösen und jeweils in separate Word-Dateien legen“
• Anforderung: „Einzelhaushalt-Word = Vorderseite des Ausweises + zugehörige Rückseite + zugehörige Bankantragsunterlagen, nichts darf fehlen“
• Benutzer betont: „Alles von Anfang an prüfen“ – solche Aufgaben haben hohe Qualitätsanforderungen; Erkennungsfehler = Kundenverlust

Benutzer-Regeln (2026-08-19 Benutzer)

1. Einzelhaushalt-Word muss enthalten: Ausweisvorderseite + zugehörige Rückseite (Staatswappenseite) + zugehörige Antragsunterlagen (Antrag), kein einziges darf fehlen
2. Dateiname klar gekennzeichnet: Name-Ausweis+Kontoeröffnungsantrag.docx
3. Zur manuellen Prüfung: Nicht erkannte/nicht zuordenbare Bilder werden separat im Ordner „Zur manuellen Prüfung“ abgelegt, nicht in die normalen Ergebnisse gemischt
4. Benutzer fordert Statistik: Dauer der Erkennung, Anzahl der Aufrufe, Tokens, Kosten – Kunde kann als Preisbasis nutzen

Vollständiger Workflow (5 Schritte)

Schritt 1: Entpacken

# Verschlüsseltes RAR mit 7z (lokal: C:\Program Files\7-Zip\7z.exe)
"C:/Program Files/7-Zip/7z.exe" x -p"Passwort" input.rar -y
# Passwort vom Benutzer erfragen; RAR5-Format wird von 7z unterstützt

• Häufige Form: Nach dem Entpacken liegt eine große DOCX vor (z. B. „Bildmaterial2.docx“ 61 MB), die nur Bilder ohne Text enthält

Schritt 2: Bilder aus DOCX extrahieren

import zipfile
with zipfile.ZipFile('Bildmaterial2.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 ist im Grunde ein ZIP, Bilder liegen unter word/media/, benannt image1.png~imageN.png
• Bildnummer = ursprüngliche Scan-Reihenfolge, wird später für die Haushaltszuordnung verwendet

Schritt 3: Visuelle Erkennung und Klassifizierung (⭐ Kern: Modellauswahl)

Auf keinen Fall GLM-4V-Flash für kritische Ausweiserkennung verwenden! (In dieser Session wurden Halluzinationen festgestellt: 11/18 Ausweisrückseiten wurden als „Vorderseite“ + erfundene Namen ausgegeben)

豆包 Seed 2.0 Pro verwenden (doubao-seed-2-0-pro-260215, VLM, genau):

payload = {
    "model": "doubao-seed-2-0-pro-260215",
    "messages": [{"role": "user", "content": [
        {"type": "text", "text": "Dies ist ein Scan von Bankkundenmaterial. Bestimme die Kategorie und extrahiere die wichtigsten Informationen:\nKategorie kann nur sein: Ausweisvorderseite, Ausweisrückseite, Kontoeröffnungsantrag, Kreditkartenantrag, Sonstiges Material\nVorderseite → Extrahiere Name + Ausweisnummer; Rückseite → Extrahiere Ausstellungsbehörde; Antrag → Extrahiere Antragstellername\nAusgabeformat: Kategorie: XXX\nName: XXX (falls nicht vorhanden, schreibe keine)\nAusweisnummer: XXX\nAusstellungsbehörde: 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

• 1 s Abstand zwischen den Bildern zur Vermeidung von Rate-Limits, alle 15 Bilder Fortschritt als JSON speichern (Checkpoint), 3 Wiederholungen bei Fehlern (429/Timeout usw., 5-8 s warten)
• 136 Bilder dauern etwa 35-40 Minuten (17 s/Bild) – im Hintergrund laufen lassen + notify_on_complete

Schritt 4: Nach Haushalt gruppieren (Vorderseite bestimmt Haushalt → Rückseite zuordnen → Antrag zuordnen)

1. Haushalt anhand des Namens auf der Vorderseite bestimmen: Jeder „Ausweisvorderseite“ wird der Name entnommen → Haushalt anlegen (jeder Haushalt hat drei Listen: fronts/backs/apps)
2. Rückseite zuordnen (anhand des Gebiets der Ausstellungsbehörde ↔ Regionencode der ersten 6 Stellen der Ausweisnummer):
   • Eine Mapping-Tabelle von Regionencode zu Polizeibehördenname pflegen (450122=Wuming, 452128=Wuming, 450126=Binyang ... hauptsächlich Guangxi, wenn Kunde eine Guangxi-Bank ist)
   • Bei erfolgreichem Match → dem Haushalt zuordnen; städtische Ausstellungsbehörden (Polizeibehörde Nanning/Polizeibehörde Liuzhou) können nicht eindeutig zugeordnet werden → 豆包 Paarvergleich (einmal Vorder- und Rückseite zusammen hochladen und fragen „Gehören sie zur selben Person“) oder in die manuelle Prüfung geben
3. Antrag zuordnen (Name): Direkter Match + Pinyin-Fuzzy-Match (pypinyin):
   • lazy_pinyin(name) erste 2 Zeichen gleichlautend → Match (黄祉玲→黄令, 唐咸梅→唐凤梅, 姚贤明→姚先明)
   • Handschriftliche Anträge haben große Abweichungen bei der Namenserkennung; Fuzzy-Match ist entscheidend für die Rettung
4. ⚠️ Nicht die „ursprüngliche Reihenfolge“ verwenden, um Vorder- und Rückseite zu matchen – bei gemischten Personen wird sonst die Rückseite des Falschen zugeordnet (Lehre aus dieser Session: Reihenfolge-Match ergab 44 > tatsächliche 34)

Schritt 5: Einzelhaushalt-Word erstellen (python-docx)

from docx import Document
from docx.shared import Cm
doc = Document()
# Titel (zentriert, fett): {Name} - Bankmaterial
# 【Ausweisvorderseite】→ Bildbreite 8 cm, nacheinander add_picture + Leerzeile
# 【Ausweisrückseite】→ wie oben
# 【Bankantragsunterlagen】→ Bildbreite 12 cm
doc.save(f"{out_dir}/{Name}-Ausweis+Kontoeröffnungsantrag.docx")

• Dateiname: {Name}-Ausweis+Kontoeröffnungsantrag.docx
• Nicht zugeordnete Rückseite/Antrag → in das Unterverzeichnis Zur manuellen Prüfung/ kopieren

Kostenstatistik (vom Benutzer gefordert, bei Abgabe bereitstellen)

# Aus dem usage-Feld der API-Antwort akkumulieren: prompt_tokens/completion_tokens
# Schätzung: Pro hochauflösendem Scan ca. 2000 Eingabe-Tokens, 200 Ausgabe-Tokens
# 豆包 Seed 2.0 Pro visuell: Eingabe ca. 0,008 Yuan/1k Tokens → 136 Bilder insgesamt ca. 2-5 Yuan
# Dauer: Von Erkennungsstart bis Word-Fertigstellung

Dem Kunden übergebene Statistik: Anzahl der Aufrufe, Eingabe-/Ausgabe-Tokens, geschätzte Kosten, Gesamtdauer (diese Session: 136 Bilder ≈ 180 Aufrufe, 450k Tokens, 3-5 Yuan, 35 Min Erkennung + einige Minuten Gruppierung)

Wichtige Fallstricke

1. GLM-4V-Flash-Halluzinationen (schmerzhafteste Lektion dieser Session): Wenn es nicht erkennt, „erfindet“ es – Rückseite wird als Vorderseite + erfundener Name ausgegeben. Für kritische Erkennung muss 豆包 verwendet werden.
2. Bilder aus DOCX extrahieren: Verwende zipfile, um direkt word/media/ zu lesen; nicht python-docx’s inline_shapes verwenden (bei großen Dateien langsam und unvollständig).
3. PIL-Bildverbesserung: RGBA-Modus zuerst mit convert('RGB') konvertieren, bevor Contrast/Sharpness/autocontrast angewendet wird; bei um 90° gedrehten Ausweisen (h>w*1,5) zwei Versionen (±90°) erzeugen und separat erkennen.
4. Regionencode-Mapping-Tabelle: Bei überwiegendem Guangxi-Bezug manuell Kreis → Polizeibehörde pflegen (4501=Nanning, 4502=Liuzhou...); bei Kunden aus anderen Provinzen die ersten 6 Stellen des Ausweises zur Bestimmung des Verwaltungsgebiets nutzen.
5. 豆包 ist langsam: 17 s/Bild; Batch muss im Hintergrund laufen + Checkpoints, nicht im Vordergrund warten.
6. Bei als „unscharf“ erkannten Bildern: Zuerst mit PIL verbessern und erneut erkennen; erst danach in die manuelle Prüfung geben.

Verwandte Fertigkeiten

• Visuelle Modell-Matrix/Kosten-Disziplin: Siehe model-cost-discipline (benutzereigen, nur als Referenz)
• Lokale OCR: deepseek-ocr (Ollama) eignet sich für Volltext-OCR von Seiten, nicht für Ausweisklassifizierung.

---

Über den Autor

九品锦锂e ｜ Verpacke meine Fehler in „einsatzbereite“ Skills – kein Lehrbuch.

Dieser Skill ist meine eigene Version. Jeder Fehler wurde wirklich gemacht. Wenn du hängen bleibst, fortgeschrittene Ideen hast oder andere Szenarien als Skill verpackt haben möchtest – füge mich direkt auf WeChat hinzu, mit dem Vermerk „SkillHub“ priorisiere ich dich:

QR-Code scannen, um Autor auf WeChat hinzuzufügen · Vermerk „SkillHub“ = Priorität