Python 读取电子发票PDF 转成Excel

Python 读取电子发票PDF 转成Excel

目录

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 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！