Python 读取电子发票PDF 转成Excel
目录
0.前提
只识别普通电子发票PDF，提取其中某些关键内容到excel中。
1.python相关的处理PDF的库
如下4个库是经常更新维护的！
pyPDF/pyPDF2、pdfplumber、PyMuPDF、Camelot等4个库。
2.实际好用的
个人推荐pdfplumber，它有extract_tables函数
3.实际代码
import pdfplumber
import re
import os
import pandas as pd
'''
处理 普通发票电子PDF 提取关键字段内容信息写入excel中
其它类的发票 自己参考对应规律 更改代码即可
参考：pdfplumber官网、以及：https://blog.csdn.net/Burannnn/article/details/129393295
'''
def re_text(bt, text):
# re 搜索正则匹配 包含re.compile包含的文字内容
m1 = re.search(bt, text)
if m1 is not None:
return re_block(m1[0])
return None
def re_block(text):
# 去掉空格、中英文小括号、中文冒号变英文冒号；去掉中文全角空格
return text.replace(' ', '').replace(' ', '').replace('）', '').replace(')', '').replace('：', ':')
def get_pdf(dir_path):
pdf_file = []
for root, sub_dirs, file_names in os.walk(dir_path):
for name in file_names:
if name.endswith('.pdf'):
filepath = os.path.join(root, name)
pdf_file.append(filepath)
return pdf_file
def read(xlsx_path, pdf_root):
# 构建excel writer 写入器
writer = pd.ExcelWriter(xlsx_path)
# 如果字段不通用 则需要单独拎出来判断，这里我全部拎出来做了if判断
all_fields = {
"开票日期": [],
"名称": [],
"纳税人识别号": [],
"价税合计(小写)": [],
"货物或应税劳务、服务名称": [],
"规格型号": [],
"单位": [],
"数量": [],
"单价": [],
"金额": [],
"税率": [],
"税额": [],
}
filenames = get_pdf(pdf_root)
for filename in filenames:
print(f"正在读取：{filename}")
with pdfplumber.open(filename) as pdf:
first_page = pdf.pages[0]
pdf_text = first_page.extract_text()
# print(pdf_text)
kaipiao = re_text(re.compile(r'开票日期(.*)'), pdf_text)
if kaipiao:
all_fields["开票日期"].append(kaipiao.replace("开票日期:", ""))
mingcheng = re_text(re.compile(r'名\s*称\s*[:：]\s*([\u4e00-\u9fa5]+)'), pdf_text)
if mingcheng:
all_fields["名称"].append(mingcheng.replace("名称:", ""))
# nashuiren = re_text(re.compile(r'纳税人识别号\s*[:：]\s*([a-zA-Z0-9]+)'), pdf_text)
# if nashuiren:
# all_fields["纳税人识别号"].append(nashuiren.replace("纳税人识别号:", ""))
jine = re_text(re.compile(r'小写.*(.*[0-9.]+)'), pdf_text)
if jine:
all_fields["价税合计(小写)"].append(jine.replace("小写¥", ""))
table = first_page.extract_tables()[0]
# 纳税人识别号 购买方
for t in table[0]:
t_ = str(t).replace(" ", "")
nashuiren = re_text(re.compile(r'纳税人识别号\s*[:：]\s*([a-zA-Z0-9]+)'), t_)
if nashuiren:
all_fields["纳税人识别号"].append(nashuiren.replace("纳税人识别号:", ""))
# 这里根据pdfplumber提取table来依次输出，查看规律（适合普通发票，其它发票打印输出看规律即可）
for t in table[1]:
if not t:
continue
t_ = str(t).replace(" ", "") # 去掉空格
ts = t_.split("\n")
if "货物或应税劳务、服务名称" in t_:
if len(ts) > 1:
all_fields["货物或应税劳务、服务名称"].append(ts[1])
else:
all_fields["货物或应税劳务、服务名称"].append("")
if "规格型号" in t_:
if len(ts) > 1:
all_fields["规格型号"].append(ts[1])
else:
all_fields["规格型号"].append("")
if "单位" in t_:
if len(ts) > 1:
all_fields["单位"].append(ts[1])
else:
all_fields["单位"].append("")
if "数量" in t_:
if len(ts) > 1:
all_fields["数量"].append(ts[1])
else:
all_fields["数量"].append("")
if "单价" in t_:
if len(ts) > 1:
all_fields["单价"].append(ts[1])
else:
all_fields["单价"].append("")
if "税率" in t_:
if len(ts) > 1:
all_fields["税率"].append(ts[1])
else:
all_fields["税率"].append("")
if "金额" in t_:
if len(ts) > 1:
all_fields["金额"].append(ts[1])
else:
all_fields["金额"].append("")
if "税额" in t_:
if len(ts) > 1:
all_fields["税额"].append(ts[1])
else:
all_fields["税额"].append("")
# print('--------------------------------------------------------')
# print(re_text(re.compile(r'[\u4e00-\u9fa5]+电子普通发票.*?'), pdf_text))
# # print(re_text(re.compile(r'发票代码(.*\d+)'), pdf_text))
# print(re_text(re.compile(r'发票号码(.*\d+)'), pdf_text))
# print(re_text(re.compile(r'开票日期(.*)'), pdf_text))
# print(re_text(re.compile(r'名\s*称\s*[:：]\s*([\u4e00-\u9fa5]+)'), pdf_text))
# print(re_text(re.compile(r'纳税人识别号\s*[:：]\s*([a-zA-Z0-9]+)'), pdf_text))
# price = re_text(re.compile(r'小写.*(.*[0-9.]+)'), pdf_text)
# print(price)
# company = re.findall(re.compile(r'名.*称\s*[:：]\s*([\u4e00-\u9fa5]+)'), pdf_text)
# if company:
# print(re_block(company[len(company)-1]))
# print('--------------------------------------------------------')
print(all_fields)
df = pd.DataFrame(all_fields)
df.to_excel(writer)
writer.save()
return
pdf_root = r"G:\PDF"
xlsx_path = r"G:\PDF\all_fields.xlsx"
read(xlsx_path, pdf_root)
4.思考
对于专用发票，找到对应的规律即可。这里最好用的是extract_tables函数，打印出来，找规律即可！
