Python提取PDF发票信息并导入到Excel中

2022年10月25日下午9:21 • 自动化办公

本篇文章将学习提取pdf发票信息，并将发票信息导入到Excel中。

使用到的Python库：

pdfplumber
Gooey
pyinstaller

背景

随着电子发票越来越普遍，企业使用的越来越多，在财务报账流程中需要将发票信息录入到财务系统（如K3）中，在这个过程中，通常有以下几个痛点：

发票信息检查容易出错。
手动录入发票信息效率十分低下。
人工处理非常容易出错。
电子发票文件名不规范，不容易区分。如：045001600111112565055.pdf

解决方案

做一个程序，自动提取发票中的文字信息，并保存到Excel中。

这样可以从Excel中检查发票信息是否完整，并且从Excel中复制或导入到财务系统中，大大提高了工作效率。

程序效果

实现方法

发票识别

使用pdfplumber，安装命令pip install pdfplumber

import pdfplumber
import re
import os

def re_text(bt, text):
    m1 = re.search(bt, text)
    if m1 is not None:
        return re_block(m1[0])

def re_block(text):
    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():
    filenames = get_pdf('C:\Users\Administrator\Desktop\a')  # 修改为自己的文件目录
    for filename in filenames:
        print(filename)
        with pdfplumber.open(filename) as pdf:
            first_page = pdf.pages[0]
            pdf_text = first_page.extract_text()
            if '发票' not in pdf_text:
                continue
            # print(pdf_text)
            print('--------------------------------------------------------')
            print(re_text(re.compile(r'[\u4e00-\u9fa5]+电子普通发票.*?'), pdf_text))
            t2 = re_text(re.compile(r'[\u4e00-\u9fa5]+专用发票.*?'), pdf_text)
            if t2:
                print(t2)
            # 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('--------------------------------------------------------')

read()

通过上述代码可以实现对pdf发票的内容识别和输出功能。

写入到Excel中

使用xlwt写Excel文件，安装命令pip install xlwt，一个简单的例子如下：

import xlwt

# 创建工作簿
wb = xlwt.Workbook()
# 创建表单
sh = wb.add_sheet('sheet 1')
# 写入数据
sh.write(0, 1, '姓名')
# 保存
wb.save('test.xls')

创建软件界面

使用Gooey创建GUI图像界面，安装命令pip install Gooey。
Gooey是个适用于命令行的图形工具，也就是只做输入(有各种输入/选择框)和输出的情况，不适用于做界面展示，无法添加自定义按钮，如button等。使用print就能将输出内容显示到GUI图形界面上。

Gooey实例如下：

from gooey import Gooey, GooeyParser

@Gooey(program_name="简单的实例")
def main():
    parser = GooeyParser(description="第一个示例!")
    parser.add_argument('文件路径', widget="FileChooser")  # 文件选择框
    parser.add_argument('日期', widget="DateChooser")  # 日期选择框
    args = parser.parse_args()  # 接收界面传递的参数
    print(args)

if__name__ == '__main__':
    main()

打包为exe文件

使用pyinstaller将代码打包为exe文件
安装命令pip install pyinstaller
打包命令pyinstaller -F xxxxx.py -w (xxxxx.py改为具体的.py文件名)
等待打包完成，在代码对应的目录下会生成dist文件夹，打开后可以看到exe程序。