三大文档解析 API 对标测评（含代码）

使用 GPT-4o（ChatGPT）API

OpenAI 的 GPT-4o 在正确 prompt 的引导下可以提取结构化信息，但与 Invofox 不同，它不能直接读取 PDF 文件。必须先用 Tesseract 或 pdfplumber 等 OCR 工具提取文本，然后通过 API prompt 发送给 GPT。

你需要一个 OpenAI API 密钥。创建一个 .env 文件，规约如下：

OPENAI_API_KEY=your_api_key

步骤 1：设置 Python 环境

创建虚拟环境来隔离依赖：

# macOS / Linux:
python3 -m venv env
source env/bin/activate

# Windows:
python -m venv env
.\env\Scripts\activate

步骤 2：安装所需的包

安装必要的库：

pip install pdfplumber openai python-dotenv

安装后，生成 requirements.txt 文件：

pip freeze > requirements.txt

添加 .gitignore 来避免提交虚拟环境。

步骤 3：提取文本并用 GPT-4o 解析

完整代码见 openai-main.py：

import pdfplumber
import openai
from dotenv import load_dotenv
import os

load_dotenv()
client = openai.OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def extract_text_from_pdf(pdf_path):
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            page_text = page.extract_text()
            if page_text:
                text += page_text + "\n"
    return text

def parse_invoice_with_openai(invoice_text):
    prompt = (
        "Extract the following fields from this invoice text and return as a JSON object:\n"
        "- Invoice Number\n"
        "- Invoice Date\n"
        "- Due Date\n"
        "- Invoice Status (e.g. unpaid/paid)\n"
        "- Sender Name and Email\n"
        "- Recipient Name and Email\n"
        "- Items (description, quantity, rate)\n"
        "- Total Amount\n"
        "- Memo\n\n"
        "Invoice Text:\n"
        f"{invoice_text}"
    )

    response = client.chat.completions.create(
        model="gpt-4",
        messages=[
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": prompt},
        ],
        max_tokens=500,
        temperature=0,
    )
    return response.choices[0].message.content

if __name__ == "__main__":
    pdf_path = "invoice_sample.pdf"
    invoice_text = extract_text_from_pdf(pdf_path)
    parsed_data = parse_invoice_with_openai(invoice_text)
    print(parsed_data)

extract_text_from_pdf 函数使用 pdfplumber 读取每一页并连接文本。parse_invoice_with_openai 函数将文本发送给 GPT-4o，要求其输出 JSON。

运行 python openai-main.py 会生成包含提取字段的 JSON 输出：

{
  "Invoice Number": "2-7-25",
  "Invoice Date": "July 2, 2025",
  "Due Date": "Upon receipt",
  "Invoice Status": "UNPAID",
  "Sender Name and Email": {
    "Name": "Anmol Baranwal",
    "Email": "[email protected]"
  },
  "Recipient Name and Email": {
    "Name": "Anmol Baranwal",
    "Email": "[email protected]"
  },
  "Line Items": [
    { "Description": "Testing", "Quantity": 1, "Rate": "$50.00", "Total": "$50.00" },
    { "Description": "Development", "Quantity": 1, "Rate": "$100.00", "Total": "$100.00" },
    { "Description": "Blog", "Quantity": 1, "Rate": "$50.00", "Total": "$50.00" }
  ],
  "Subtotal": "$200.00",
  "Total Amount": "$200.00",
  "Memo or Notes": "Thank you! This is a sample invoice for testing document parsing with AI models."
}

优势：

• 易于尝试且灵活
• GPT-4 擅长逻辑和结构化数据提取
• 能正确识别发票字段并计算总额

劣势：

• 需要 prompt 工程和输出验证
• JSON 可能格式错误或缺少字段（可能出现幻觉）
• 没有内置的验证或置信度分数
• 输出根据 prompt 风格而变化
• 在 prompt 中发送所有文本对大型文档成本较高

1-2 页发票提取的成本估计： $0.005–$0.018，取决于 prompt 的细节。响应时间： 1–30 秒，受负载波动影响。

使用 Claude 3.5 Sonnet API

Anthropic 的 Claude 3.5 Sonnet 在正确 prompt 的引导下可以从文本解析结构化数据。与 GPT-4o 一样，它不能通过 API 直接读取 PDF 文件，所以必须先提取文本。

你需要一个 Anthropic API 密钥：

ANTHROPIC_API_KEY=your_api_key

步骤 1：设置环境并安装包

创建虚拟环境：

# macOS / Linux:
python3 -m venv env
source env/bin/activate

# Windows:
python -m venv env
.\env\Scripts\activate

安装所需的库：

pip install pdfplumber anthropic python-dotenv

然后导出到 requirements.txt 并添加 .gitignore。

步骤 2：提取文本并用 Claude 3.5 Sonnet 解析

创建 anthropic-main.py：

import pdfplumber
import anthropic
import os
from dotenv import load_dotenv

load_dotenv()
api_key = os.getenv("ANTHROPIC_API_KEY")
client = anthropic.Anthropic(api_key=api_key)

print("API Key loaded:", api_key[:12], "...")

def extract_text_from_pdf(pdf_path):
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text += page.extract_text() + "\n"
    return text

def parse_invoice_with_claude(invoice_text):
    prompt = (
        "Extract the following fields from this invoice text and return as a JSON object:\n"
        "- Invoice Number\n"
        "- Invoice Date\n"
        "- Due Date\n"
        "- Invoice Status (e.g. unpaid/paid)\n"
        "- Sender Name and Email\n"
        "- Recipient Name and Email\n"
        "- Items (description, quantity, rate)\n"
        "- Total Amount\n"
        "- Memo\n\n"
        "Invoice Text:\n"
        f"{invoice_text}"
    )

    response = client.messages.create(
        model="claude-3-5-sonnet-20240620",
        max_tokens=500,
        temperature=0,
        messages=[{"role": "user", "content": prompt}],
    )

    return response.content[0].text

if __name__ == "__main__":
    pdf_path = "invoice_sample.pdf"
    invoice_text = extract_text_from_pdf(pdf_path)
    parsed_data = parse_invoice_with_claude(invoice_text)
    print(parsed_data)

运行 python anthropic-main.py 会生成：

{
  "invoiceNumber": "2-7-25",
  "invoiceDate": "July 2, 2025",
  "dueDate": "Upon receipt",
  "invoiceStatus": "UNPAID",
  "senderName": "Anmol Baranwal",
  "senderEmail": "[email protected]",
  "recipientName": "Anmol Baranwal",
  "recipientEmail": "[email protected]",
  "items": [
    { "description": "Testing", "quantity": 1, "rate": 50.00 },
    { "description": "Development", "quantity": 1, "rate": 100.00 },
    { "description": "Blog", "quantity": 1, "rate": 50.00 }
  ],
  "totalAmount": 200.00,
  "memo": "Thank you! This is a sample invoice for testing document parsing with AI models."
}

优势：

• Claude 3.5 擅长理解长文本并清晰地格式化
• 可以在 prompt 中处理文本和图像
• 有时对处理异常或长文档的表现优于 GPT-4

劣势：

• 需要 prompt 工程，如同 GPT
• 可能会漏掉字段或幻觉出值
• 返回原始 JSON 文本，没有验证
• 必须手动提取 PDF 文本

成本估计： 每份文档 $0.005–$0.018。响应时间： 最佳情况 200–300ms，大型 prompt 可能长达 10 秒以上。

使用 Invofox API

Invofox 是一家 Y Combinator 支持的初创公司，专门为文档解析而建。它使用针对发票和其他文档进行微调的专用模型，不同于通用的 LLM。

主要特点：

Splitter：自动分离单个 PDF 中的多份文档（例如混合的发票），将页面分组为逻辑性子文档以获得更好的提取效果。

Classifier：预训练的 AI 模型，检测文档类型（发票、收据等），以便每份文档都用正确的 schema 处理。

高级 AI 模型与专有算法：验证和自动完成数据。

步骤 1：注册仪表板

创建一个账户以生成 Invofox 仪表板的 API 密钥。

步骤 2：在 Postman 中创建请求

一旦你有了 API 密钥，使用 Postman 向 Invofox 的 /uploads 端点发送文档。

1. 创建新请求

打开 Postman 并创建一个集合和新请求

请求端点： https://api.invofox.com/v1/ingest/uploads

Headers：

• accept: application/json
• x-api-key: your_invofox_api_key

不要手动设置 Content-Type；Postman 会在 form-data 中自动处理。

2. 添加请求体（form-data）

切换到 Body 标签，选择 form-data 并添加：

• key: files，type: file，value: 上传你的发票 PDF
• key: info，type: text，value:

{
  "type": "6840c4511cbcc77119347248",
  "data": {
    "companyActsLike": "issuer"
  }
}

data 字段对于自定义元数据或解析指令是可选的。

点击 "Send" 会返回一个包含详情的响应：

{
  "accountId": "683edb9d7ded4695232c4979",
  "environmentId": "683edb9d7ded4695232c497b",
  "importId": "68662d83c3a0849a86a6aa30",
  "files": [
    {
      "id": "68662d83c3a0849a86a6aa33",
      "filename": "invoice_sample.pdf",
      "documentId": "68662d83c3a0849a86a6aa34"
    }
  ]
}

• importID：用于跟踪多次上传的批次 ID
• documentID：已解析文档的 ID

步骤 3：获取已解析的文档

向 https://api.invofox.com/documents/{documentID} 发起 GET 请求，请求头为：

• accept: application/json
• x-api-key: your_invofox_api_key

响应包括原始文档图像和提取的数据，相比 GPT 或 Claude 的输出包含许多额外字段。

使用 Invofox API 的 Python 代码

安装 requests 库：

pip install requests

创建 invofox-main.py：

import requests
import os
import json
from dotenv import load_dotenv
import time

load_dotenv()

API_BASE = "https://api.invofox.com"
API_KEY = os.getenv("INVOFOX_API_KEY")
PDF_PATH = "invoice_sample.pdf"

headers = {"accept": "application/json", "x-api-key": API_KEY}

with open(PDF_PATH, "rb") as f:
    files = {"files": f}
    info = {"type": "6840c4511cbcc77119347248", "data": {"companyActsLike": "issuer"}}
    data = {"info": json.dumps(info)}
    resp_upload = requests.post(
        f"{API_BASE}/v1/ingest/uploads", headers=headers, files=files, data=data
    )

upload_result = resp_upload.json()
print("Upload response:", upload_result)

import_id = upload_result.get("importId")
if not import_id:
    raise ValueError("Import ID not found in upload response.")

# wait a moment for processing
time.sleep(2)

resp_import = requests.get(f"{API_BASE}/v1/ingest/imports/{import_id}", headers=headers)
import_info = resp_import.json()
print("Import info:", import_info)

files_info = import_info.get("files", [])
if not files_info or not files_info[0].get("documentIds"):
    raise ValueError("Document IDs not found in import info.")

document_id = files_info[0]["documentIds"][0]
print("Document ID:", document_id)

time.sleep(20)

resp_get = requests.get(f"{API_BASE}/documents/{document_id}", headers=headers)
parsed_doc = resp_get.json()
print("Parsed Document Data:")
print(json.dumps(parsed_doc, indent=2))

使用的三个主要 API 端点：

• POST /v1/ingest/uploads → 上传带元数据的 PDF，返回 importId
• GET /v1/ingest/imports/{importId} → 从 importId 获取 documentIds
• GET /documents/{documentId} → 获取完整解析的发票数据

运行 python invofox-main.py 会返回已解析的文档，所有字段都已正确提取和验证。

对比总结

方面	GPT-4o/Claude	Invofox
工作流	发送文本配 prompt	使用 API 或批量上传文件（图像/PDF）
代码需求	需要 prompt 工程代码	最少的代码，无需 prompt
验证	需要手动验证	内置验证和置信度分数
文档处理	受 token/窗口大小限制	通过后端 OCR 和 AI 处理多页文档

结果对比

ChatGPT (GPT-4o)：在清晰 prompt 的指导下擅长解析已知字段。你可以获得 JSON 但必须解析/清理它。如果 prompt 不清晰会出现错误。

Claude 3.5 (Sonnet)：与 GPT-4 类似。处理发票字段表现不错，有时对识别陌生术语的表现更佳。仍需要调整 prompt。

Invofox API：返回完全解析的发票 JSON，开箱即用。所有字段都正确提取和验证，具有恰好所需的 schema，无需额外编码。

成本与执行时间基准

考虑升级语言模型的持续成本。团队通常需要对新模型进行基准测试、重新测试 prompt、调整 schema，以及在新版本发布时修改解析逻辑。这些隐藏的维护成本很大。使用 Invofox，不存在这种需求。

对于快速实验或一次性任务，通过精心设计 prompt，GPT-4（ChatGPT API）或 Claude Sonnet 都能相当好地工作。它们可以熟练地生成结构化 JSON 输出。

但是，对于发票或收据的可靠的生产级解析，Invofox 文档 OCR API 更为优越。它是专门为文档构建的，使用高级专有模型和持续的反馈循环。

你需要的两个 Invofox 端点取决于你需要什么回报。如果你能提前命名字段——发票号、总额、日期——文档 OCR API 会返回恰好这些，有类型和验证。如果你宁愿将整个文档作为干净、结构化的输入供 RAG 或 LLM 管道使用，文档解析 API 会将任何 PDF 转换为 Markdown 或带类型的 JSON，保留布局、表格和阅读顺序。

完整代码可在 GitHub 仓库中获得。

立即开始自动化文档工作流。

预约演示，我们将在你的实际文档上展示 Invofox——相同的规则、相同的阈值、完全的可见性。

相关阅读：

• Why Utility Bill Data Extraction Is Hard (and How to Build a Pipeline That Works)
• The Problems You'll Run Into Using Google Document AI
• What Is Intelligent Document Processing (IDP)?