本文主要是介绍Python实现pdf电子发票信息提取到excel表格，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
《Python实现pdf电子发票信息提取到excel表格》这篇文章主要为大家详细介绍了如何使用Python实现pdf电子发票信息提取并保存到excel表格,文中的示例代码讲解详细,感兴趣的小伙伴可以跟...
应用场景
电子发票信息提取系统主要应用于以下场景：
企业财务部门：需要处理大量电子发票，提取关键信息（如发票代码、号码、金额等）并录入财务系统。
会计事务所：在进行审计或账务处理时，需要从大量发票中提取信息进行分析。
报销管理：员工提交电子发票进行报销时，系统自动提取信息，减少人工录入错误。
档案管理：对电子发票进行分类、归档和检索时，提取的信息可以作为索引。
数据分析：从大量发票中提取数据，进行企业支出分析、税 务筹划等。
界面设计
系统采用图形化界面设计，主要包含以下几个部分：
文件选择区域：提供 "选择文件" 和 "选择文件夹" 按钮，方便用户批量选择电子发票文件。
文件列表区域：显示已选择的文件列表，支持多选操作。
处理选项区域：用户可以指定输出 Excel 文件的路径和名称。
进度显示区域：包含进度条和状态文本，实时显示处理进度。
操作按钮区域：提供 "开始处理"、"清空列表" 和 "退出" 等功能按钮。
界面设计简洁明了，符合用户操作习惯，同时提供了必要的提示和反馈信息。
详细代码步骤
import os import re import fitz # PyMuPDF import pandas as pd from pdf2image import convert_from_path import pytesseract from PIL import Image import XML.etree.ElementTree as ET import tkinter as tk from tkinter import filedialog, messagebox, ttk import threading import logging from datetime import datetime # 配置日志 logging.basicConfig( level=logging.INFO, format='%(asctime)s - %(name)s - %(levelname)s - %(message)s', filename='invoice_extractor.log' ) logger = logging.getLogger(__name__) class InvoiceExtractor: def __init__(self): # 初始化配置 self.config = { 'pdf': { 'invoicphpe_code_pattern': r'发票代码：(\d+)', 'invoice_number_pattern': r'发票号码：(\d+)', 'date_pattern': r'日期：(\d{4}年\d{1,2}月\d{1,2}日)', 'amount_pattern': r'金额：￥(\d+\.\d{2})', 'tax_pattern': r'税额：￥(\d+\.\d{2})', 'total_pattern': r'价税合计：￥(\d+\.\d{2})' }, 'ofd': { 'invoice_code_xpath': './/TextObject[starts-with(text(), "发票代码")]/following-sibling::TextObject[1]', 'invoice_number_xpath': './/TextObject[starts-with(text(), "发票号码")]/following-sibling::TextObject[1]', 'date_xpath': './/TextObject[starts-with(text(), "日期")]/following-sibling::TextObject[1]', 'amount_xpath': './/TextObject[starts-with(text(), "金额")]/following-sibling::TextObject[1]', 'tax_xpath': './/TextObject[starts-with(text(), "税额")]/following-sibling::TextObject[1]', 'total_xpath': './/TextObject[starts-with(text(), "价税合计")]/following-sibling::TextObject[1]' } } def extract_pdf_info(self, pdf_path): """提取PDF电子发票信息""" try: info = { '文件路径': pdf_path, '发票代码': '', '发票号码': '', '日期': '', '金额': '', '税额': '', '价税合计': '' } with fitz.open(pdf_path) as doc: text = "" for page in doc: text += page.get_text() # 使用正则表达式提取信息 for key, pattern in self.config['pdf'].items(): match = re.search(pattern, text) if match: info[key.replace('_pattern', '')] = match.group(1) # 如果无法通过文本提取，则使用OCR if not all(info.values()): images = convert_from_path(pdf_path) ocr_text = "" for image in images: ocr_text += pytesseract.image_to_string(image, lang='chi_sim') for key, pattern in self.config['pdf'].items(): if not info[key.replace('_pattern', '')]: match = re.search(pattern, ocr_text) if match: info[key.replace('_pattern', '')] = match.group(1) return info except Exception as e: logger.error(f"提取PDF {pdf_path} 信息失败: {str(e)}") return None def extract_ofd_info(self, ofd_path): """提取OFD电子发票信息""" try: info = { '文件路径': ofd_path, '发票代码': '', '发票号码': '', '日期': '', '金额': '', '税额': '', '价税合计': '' } # OFD文件实际上是一个ZIP压缩包 # 这里简化处理，假设我们已经将OFD解压并获取到了XML文件 # 实际应用中需要处理OFD文件的解压缩和解析 # 以下代码仅为示例 # 假设我们已经获取到了OFD的XML内容 # tree = ET.parse(ofd_xml_path) # root = tree.getroot() # for key, xpath in self.config['ofd'].items(): # element = root.find(xpath) # if element is not None: # info[key.replace('_xpath', '')] = element.text # 由于OFD格式的复杂性，这里使用OCR作为替代方案 images = convert_from_path(ofd_path) ocr_text = ""js for image in images: ocr_text += pytesseract.image_to_string(image, lang='chi_sim') for key, pattern in self.config['pdf'].items(): if key in info: match = re.search(pattern, ocr_text) if match: info[key.replace('_pattern', '')] = match.group(1) return info except Exception as e: logger.error(f"提取OFD {ofd_path} 信息失败: {str(e)}") return None def BATch_process_files(self, files, output_path): """批量处理文件并导出到Excel""" results = [] total = len(files) processed = 0 for file_path in files: try: file_ext = os.path.splitext(file_path)[1].lower() if file_ext == '.pdf': info = self.extract_pdf_info(file_path) elif file_ext == '.ofd': info = self.extract_ofd_info(file_path) else: logger.warning(f"不支持的文件类型: {file_path}") continue if info: results.append(info) except Exception as e: logger.error(f"处理文件 {file_path} 时出错: {str(e)}") processed += 1 yield processed, total # 导出到Excel if results: df = pd.DataFrame(results) df.to_excel(output_path, index=False) logger.info(f"成功导出 {len(results)} 条记录到 {output_path}") return True else: logger.warning("没有可导出的数据") return False class InvoiceExtractorGUI: def __init__(self, root): self.root = root self.root.title("电子发票信息提取系统") self.root.geometry("800x600") self.extractor = InvoiceExtractor() self.selected_files = [] self.is_processing = False self.create_widgets() def create_widgets(self): """创建GUI界面""" # 创建主框架 main_frame = ttk.Frame(self.root, padding="10") main_frame.pack(fill=tk.BOTH, expand=True) # 文件选择区域 file_frame = ttk.LabelFrame(main_frame, text="文件选择", padding="10") file_frame.pack(fill=tk.X, pady=5) ttk.Button(file_frame, text="选择文件", command=self.select_files).pack(side=tk.LEFT, padx=5) ttk.Button(file_frame, text="选择文件夹", command=self.select_folder).pack(side=tk.LEFT, padx=5) self.file_count_var = tk.StringVar(value="已选择 0 个文件") ttk.Label(file_frame, textvariable=self.file_count_var).pack(side=tk.RIGHT, padx=5) # 文件列表区域 list_frame = ttk.LabelFrame(main_frame, text="文件列表", padding="10") list_frame.pack(fill=tk.BOTH, expand=True, pady=5) # 创建滚动条 scrollbar = ttk.Scrollbar(list_frame) scrollbar.pack(side=tk.RIGHT, fill=tk.Y) # 创建文件列表 self.file_listbox = tk.Listbox(list_frame, yscrollcommand=scrollbar.set, selectmode=tk.EXTENDED) self.file_listbox.pack(fill=tk.BOTH, expand=True) scrollbar.config(command=self.file_listbox.yview) # 处理选项区域 options_frame = ttk.LabelFrame(main_frame, text="处理选项", padding="10") options_frame.pack(fill=tk.X, pady=5) ttk.Label(options_frame, text="输出文件:").pack(side=tk.LEFT, padx=5) default_output = os.path.join(os.getcwd(), f"发票信息_{datetime.now().strftime('%Y%m%d_%H%M%S')}.xlsx") self.output_path_var = tk.StringVar(value=default_output) output_entry = ttk.Entry(options_frame, textvariable=self.output_path_var, width=50) output_entry.pack(side=tk.LEFT, padx=5) ttk.Button(options_frame, text="浏览", command=self.browse_output).pack(side=tk.LEFT, padx=5) # 进度条区域 progress_frame = ttk.Frame(main_frame, padding="10") progress_frame.pack(fill=tk.X, pady=5) self.progress_var = tk.DoubleVar(value=0) self.progress_bar = ttk.Progressbar(progress_frame, variable=self.progress_var, maximum=100) self.progress_bar.pack(fill=tk.X) self.status_var = tk.StringVar(value="就绪") ttk.Label(progress_frame, textvariable=self.status_var).pack(anchor=tk.W) # 按钮区域 button_frame = ttk.Frame(main_frame, padding="10") button_frame.pack(fill=tk.X, pady=5) self.process_button = ttk.Button(button_frame, text="开始处理", command=self.start_processing) self.process_button.pack(side=tk.LEFT, padx=5) ttk.Button(button_frame, text="清空列表", command=self.clear_file_list).pack(side=tk.LEFT, padx=5) ttk.Button(button_frame, text="退出", command=self.root.quit).pack(side=tk.RIGHT, padx=5) def select_files(self): """选择多个文件""" if self.is_processing: return files = filedialog.askopenfilenames( title="python实现pdf电子发票信息提取到excel表格", filetypes=[("PDF文件", "*.pdf"), ("OFD文件", "*.ofd"), ("所有文件", "*.*")] ) if files: self.selected_files = list(files) self.update_file_list() def select_folder(self): """选择文件夹""" if self.is_processing: return folder = filedialog.askdirectory(title="选择包含电子发票的文件夹") if folder: pdf_files = [os.path.join(folder, f) for f in os.listdir(folder) if f.lower().endswith('.pdf')] ofd_files = [os.path.join(folder, f) for f in os.listdir(folder) if f.lower().endswith('.ofd')] self.selected_files = pdf_files + ofd_files self.update_file_list() def update_file_list(self): """更新文件列表显示""" self.file_listbox.delete(0, tk.END) for file_path in self.selected_files: self.file_listbox.insert(tk.END, os.path.basename(file_path)) self.file_count_var.set(f"已选择 {len(self.selected_files)} 个文件") def browse_output(self): """浏览输出文件位置""" if selfphp.is_processing: return output_file = filedialog.asksaveasfilename( title="Python实现pdf电子发票信息提取到excel表格", defaultextension=".xlsx", filetypes=[("Excel文件", "*.xlsx"), ("所有文件", "*.*")] ) if output_file: self.output_path_var.set(output_file) def clear_file_list(self): """清空文件列表""" if self.is_processing: return self.selected_files = [] self.update_file_list() def start_processing(self): """开始处理文件"China编程"" if self.is_processing or not self.selected_files: return output_path = self.output_path_var.get() if not output_path: messagebox.showerror("错误", "请指定输出文件") return # 确认是否覆盖现有文件 if os.path.exists(output_path): if not messagebox.askyesno("确认", "输出文件已存在，是否覆盖？"): return self.is_processing = True self.process_button.config(state=tk.DISABLED) self.status_var.set("正在处理...") # 在单独的线程中处理文件 threading.Thread(target=self.process_files_thread, daemon=True).start() def process_files_thread(self): """文件处理线程""" try: output_path = self.output_path_var.get() progress = 0 total = len(self.selected_files) for processed, total in self.extractor.batch_process_files(self.selected_files, output_path): progress = (processed / total) * 100 self.progress_var.set(progress) self.status_var.set(f"正在处理 {processed}/{total}") self.root.update_idletasks() self.progress_var.set(100) self.status_var.set("处理完成") messagebox.showinfo("成功", f"已成功处理 {total} 个文件\n结果已保存至: {output_path}") except Exception as e: logger.error(f"处理过程中出错: {str(e)}") self.status_var.set("处理出错") messagebox.showerror("错误", f"处理过程中出错: {str(e)}") finally: self.is_processing = False self.process_button.config(state=tk.NORMAL) def main(): """主函数""" try: # 检查依赖库 import PyMuPDF import pandas import pdf2image import pytesseract from PIL import Image # 创建GUI root = tk.Tk() app = InvoiceExtractorGUI(root) root.mainloop() except ImportError as e: print(f"缺少必要的库: {str(e)}") print("请安装所有依赖库: pip install PyMuPDF pandas pdf2image pytesseract pillow") except Exception as e: print(f"程序启动出错: {str(e)}") logger.error(f"程序启动出错: {str(e)}") if __name__ == "__main__": main()
系统实现主要包含以下几个核心模块：
配置管理：设置 PDF 和 OFD 文件的信息提取规则，包括正则表达式模式和 OFD 的 XPath 表达式。
PDF 信息提取：使用 PyMuPDF 库读取 PDF 文本内容，通过正则表达式提取关键信息；如果文本提取失败，则使用 OCR 技术进行图像识别。
OChina编程FD 信息提取：OFD 文件结构复杂，本系统采用 OCR 技术作为主要提取方法，将 OFD 转换为图像后使用 pytesseract 进行文字识别。
批量处理：支持批量处理多个文件，并提供进度反馈。
数据导出：将提取的信息整理成 DataFrame，并导出为 Excel 文件。
图形界面：使用 tkinter 构建直观易用的图形界面，支持文件选择、处理选项设置和进度显示。
总结优化
该系统提供了一个基础的电子发票信息提取解决方案，具有以下优点：
- 通用性：支持 PDF 和 OFD 两种主流电子发票格式。
- 可扩展性：配置文件分离，易于添加新的发票格式或修改提取规则。
- 用户友好：图形界面操作简单，适合非技术人员使用。
- 日志记录：完整的日志记录，便于问题排查和系统优化。
然而，系统仍有以下可以优化的地方：
- OFD 解析：当前使用 OCR 处理 OFD 文件效率较低，可以研究更高效的 OFD 解析库。
- 提取规则优化：针对不同类型的发票，可能需要定制化的提取规则，可考虑添加规则配置界面。
- 性能优化：对于大量文件的处理，可以引入多线程或异步处理提高效率。
- 数据验证：增加提取信息的验证机制，提高数据准确性。
- 用户体验：添加更多交互反馈，如文件预览、处理结果预览等功能。
通过不断优化和扩展，该系统可以满足更多场景的需求，提高电子发票信息处理的效率和准确性。
到此这篇关于Python实现pdf电子发票信息提取到excel表格的文章就介绍到这了,更多相关Python提取pdf信息保存到excel内容请搜索编程China编程(www.chinasem.cn)以前的文章或继续浏览下面的相关文章希望大家以后多多支持China编程(www.chinasem.cn)！
这篇关于Python实现pdf电子发票信息提取到excel表格的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
