Python 读取电子发票PDF 转成Excel

Python 读取电子发票PDF 转成Excel

0.前提

1.python相关的处理PDF的库

2.实际好用的

3.实际代码

4.思考

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 Nonedef 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_filedef read(xlsx_path, pdf_root):# 构建excel writer 写入器writer = pd.ExcelWriter(xlsx_path)all = {"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["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["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["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["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["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:continuet_ = 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["货物或应税劳务、服务名称"].append(ts[1])else:all["货物或应税劳务、服务名称"].append("")if "规格型号" in t_:if len(ts) > 1:all["规格型号"].append(ts[1])else:all["规格型号"].append("")if "单位" in t_:if len(ts) > 1:all["单位"].append(ts[1])else:all["单位"].append("")if "数量" in t_:if len(ts) > 1:all["数量"].append(ts[1])else:all["数量"].append("")if "单价" in t_:if len(ts) > 1:all["单价"].append(ts[1])else:all["单价"].append("")if "税率" in t_:if len(ts) > 1:all["税率"].append(ts[1])else:all["税率"].append("")if "金额" in t_:if len(ts) > 1:all["金额"].append(ts[1])else:all["金额"].append("")if "税额" in t_:if len(ts) > 1:all["税额"].append(ts[1])else:all["税额"].append("")print(all)df = pd.DataFrame(all)df.to_excel(writer)writer.save()returnpdf_root = r"G:\PDF"
xlsx_path = r"G:\PDF\all.xlsx"read(xlsx_path, pdf_root)