在法律尽调场景下，OCR 的核心使命是 “结构化解析（Parsing）”。 我们不仅要让机器把字读出来，还要让机器理解 “什么是许可项目”，“什么是禁止项目”，“什么是高风险项目”。

1. 痛点：为什么通用的 OCR 搞不定“经营范围”？

营业执照上的“经营范围”通常是一个 多行文本块（Multi-line Text Block）。 通用 OCR 往往会犯以下错误：

  1. 行序混乱：把第一行的后半段和第二行的前半段拼错了，导致语义断裂。
  2. 符号丢失：漏掉了关键的 分号（；） 或 括号（）。在法律文本中，分号代表业务的分割，括号代表限制条件，丢了就是重大事故。
  3. 截断：因为文本太长，超过了字段限制，导致最后几行没识别出来。

2. 工程方案：从“OCR 原始文本”到“结构化列表”

我们的目标是将非结构化的长文本，转化为 Excel 或数据库里的 List<String>。

第一步：高精度长文本 OCR (Long-Text OCR)

  • 模型选型：必须使用支持 CRNN (卷积循环神经网络) 或 SVTR 的模型，它们对长序列文本的连贯性保持得更好。
  • 行合并算法：
    • 不要简单地按 \n 换行。
    • 逻辑：如果上一行结尾不是“；”或“。”，且下一行开头不是空格，说明这句话没说完，必须强制合并成一行。

第二步：基于标点的 NLP 切分 (Segmentation) 中国企业的经营范围写法是有 国标（GB/T 4754） 规范的。

  • 核心分隔符：中文分号（；）。这是分割不同业务类型的铁律。
  • 切分逻辑：
    • 结果：原本 500 字的一段话，被切分成了一个包含 15 个业务项的数组。

3. 风险挖掘：建立“红/黄/绿”灯机制

拿到了数组，我们就可以进行 风险关键词匹配。这比人工看要准得多。

建立风险词库 (Risk Dictionary)：

  • 红灯（绝对禁止/高危）：危险化学品、烟花爆竹、易制毒、放射性。
  • 黄灯（需特许/强监管）：互联网金融、小额贷款、P2P、征信、医疗器械、食品经营。
  • 绿灯（一般项目）：技术咨询、软件开发、日用百货。

否定词逻辑（Negative Lookahead）： 这是最容易误判的地方。

  • 场景：某公司经营范围写着：“投资管理（不含金融、证券、期货业务）”。
  • OCR 逻辑：如果简单匹配“金融”，会误报为黄灯。
  • 修正逻辑：
    • 在匹配关键词之前，先检测该短句中是否存在 否定前缀：不含、除、不得、非。
    • if ("金融" in item) AND ("不含" not in item) -> Hit Risk。

4. 进阶应用：许可项目 vs 一般项目

2020 年后的新版营业执照，明确将经营范围分成了 [许可项目] 和 [一般项目] 两大类。 这对尽调非常有价值：[许可项目] 意味着你需要去查它有没有对应的 许可证（License）。

结构化解析方案：

  1. 正则提取： 利用正则表达式定位 【许可项目】 和 【一般项目】 这两个锚点。
  2. 分块解析：
    • 提取 【许可项目】 后面的内容 -> 提示律师：“请核查该公司是否持有《食品经营许可证》或《危化品经营许可证》”。
    • 提取 【一般项目】 后面的内容 -> 提示律师：“无需特殊资质，合规风险较低”。

5. 输出交付物：给律师的“风险透视镜”

最终，系统展示给律师或分析师的，不应该是一张图，也不应该是一段字，而是一个 “体检报告”。

  • 原始图片：(支持点击放大，用于核对)
  • OCR 识别原文：(高亮风险词)
  • 结构化风险表：

6. 总结

在法律尽职调查中，营业执照 OCR 的价值不在于“识别”，而在于 “理解”。

通过 OCR 长文本优化 + NLP 语义分割 + 风险词库逻辑，我们将原本需要资深律师花费 10 分钟逐字阅读的工作，变成了机器 1 秒钟完成的自动化筛查。

这不仅极大提升了尽调效率，更重要的是，机器不会因为眼花而漏掉那个致命的“危险化学品”。