利用python批量提取发票信息-数字梦境

使用python批量提取发票信息减少工作量，

此方法是使用OCR识别，准确性不如腾讯云的付费版，如有高精度需求的请使用腾讯云付费版

目前仅支持以下模板的发票类型，如要适配其他类型的发票请自行修改。

import os
import PyPDF2
import pandas as pd
import re

def extract_invoice_info(pdf_path):
    # 打开PDF文件
    with open(pdf_path, 'rb') as file:
        reader = PyPDF2.PdfReader(file)
        page = reader.pages[0]
        text = page.extract_text()

    # 打印原始PDF内容
    # print(f"原始PDF内容: {text}")

    # 将文本按行分割
    lines = text.split('\n')

    # 提取第17到25行的内容
    relevant_lines = lines[16:25]
    relevant_text = ' '.join(relevant_lines)

    # 打印提取的特定行内容
    print(f"提取的特定行内容: {relevant_text}")

    # 初始化发票信息字典
    invoice_info = {
        '发票号码': None,
        '开票日期': None,
        '销售方纳税人识别号': None,
        '销方单位名称': None,
        '不含税金额': None,
        '税额': None,
        '含税金额': None,
        '税率': None,
        '备注': None
    }

    # 提取发票号码
    match = re.search(r"开票人：(?:建筑服务)?[:：]?\s*(\d+)", relevant_text)
    if match:
        invoice_info['发票号码'] = match.group(1)
        if '建筑服务' in relevant_text:
            invoice_info['备注'] = '包含建筑服务'

    # 提取开票日期
    match = re.search(r"(\d{4}年\d{2}月\d{2}日)", relevant_text)
    if match:
        invoice_info['开票日期'] = match.group(1)

    # 提取销售方纳税人识别号
    match = re.search(r"(\d{15}[A-Z0-9]+)", relevant_text)
    if match:
        invoice_info['销售方纳税人识别号'] = match.group(1)

    # 提取销方单位名称
    match = re.search(r"(\d{15}[A-Z0-9]+)\s*([\u4e00-\u9fa5a-zA-Z0-9]+)", relevant_text)
    if match:
        invoice_info['销售方纳税人识别号'] = match.group(1)
        invoice_info['销方单位名称'] = match.group(2)

    # 提取不含税金额和税额
    match = re.findall(r"¥([\d\.]+)", relevant_text)
    if match and len(match) >= 2:
        invoice_info['不含税金额'] = match[0]
        invoice_info['税额'] = match[1]

    # 提取含税金额
    match = re.search(r"([\u4e00-\u9fa5]+圆[\u4e00-\u9fa5]*)\s*¥([\d\.]+)", relevant_text)
    if match:
        invoice_info['含税金额'] = match.group(2)

    # 提取税率
    match = re.search(r"(\d+%)", relevant_text)
    if match:
        invoice_info['税率'] = match.group(1)

    return invoice_info


def process_pdf_files(pdf_folder, output_excel):
    # 获取PDF文件夹中的所有PDF文件
    pdf_files = [f for f in os.listdir(pdf_folder) if f.endswith('.pdf')]

    # 初始化一个空的 DataFrame
    df = pd.DataFrame(columns=[
        '发票号码', '开票日期', '销售方纳税人识别号', '销方单位名称', '不含税金额', '税额', '含税金额', '税率', '备注'
    ])

    # 遍历每个PDF文件并提取信息
    for pdf_file in pdf_files:
        pdf_path = os.path.join(pdf_folder, pdf_file)
        try:
            invoice_info = extract_invoice_info(pdf_path)
            print(f"提取的发票信息: {invoice_info}")  # 打印提取的信息
            df = pd.concat([df, pd.DataFrame([invoice_info])], ignore_index=True)
        except Exception as e:
            print(f"处理文件 {pdf_file} 时出错: {e}")

    # 将 DataFrame 保存到 Excel 文件
    df.to_excel(output_excel, index=False)


# 使用示例
pdf_folder = 'PDF'
output_excel = '发票信息汇总.xlsx'
process_pdf_files(pdf_folder, output_excel)
print(f"发票信息已保存到 {output_excel}")