PDF电子发票数据提取至Excel【5-2更新】

th4c3y

采用python正则表达式提取
支持电子发票和数电发票，不支持图片和图片形式的PDF，不支持OFD


2.2版本：
增加重命名功能
ps：根据生成的表格里面的路径进行重命名（非实时路径，如果生成表格后实际路径无变动，表格A列的路径就是实际路径）
        同理，如果想自定义字段就在excel表里面修改或者增加，类似于bat改名，改名后无法撤销请谨慎使用（其实只要没有重新生成表格就还是可以想办法改回的，具体方法就自行摸索）
        多页的pdf只会按第1页的字段重命名。
        程序体积增加了很多，请按需更新。
        不支持win7
链接: https://pan.baidu.com/s/1LHGpJXqxlpJULTpNVWVHSQ?pwd=7dpx 提取码: 7dpx

---------------------------------------------------------------------------------------

更新2.1版本：
增加“项目名称（货物名称）”字段
优化公司名称的正则表达式


------------------------------------------------------------------------------------------------------------------------------

更新2.0版本：
优化错误信息提示方式
一些字段的正则表达式修改
表格内红字标注可能是OCR后的pdf文件（OCR后的文本杂乱无序，正则表达式很难正确抓取）

-------------------------------------------------------------------------------------------------------------------------------


更新1.6版本：
修复了发票税额是“*”导致的字段错位问题（测试发票有限，如果还有问题请评论区提出）

--------------------------------------------------------------------------------------------------------------------------------



更新1.3版本，增加对购买方名称和销售方名称的识别准确率，删除了图标图库。

目前可能会有以下问题：
1、在win10环境上打包的，win7系统可能不支持。
2、非数电发票的备注识别可能会识别不出。


使用场景：
1、避免电子发票重复报销入账（筛选发票号码或者校验码重复值）
2、检查收到的发票纳税人名称和纳税人识别号是否正确
3、根据路径筛选统计报销人电子发票金额（前提：依据报销人将发票分别存入文件夹）
4、OFD文件可以用数科OFD阅读器批量转换成pdf再统一提取

不是专业的，能力有限，只能做到这样了。

链接：https://pan.baidu.com/s/1CHosHesiVE4Lxu5iBt9bhA?pwd=l1xj
提取码：l1xj

th4c3y

在win7环境下打包了一份上传到网盘里面了

pj666a

这个不错，收藏备用

th4c3y

cxx0515 发表于 2024-5-8 10:43
请问购买方和销售方信息是如何写的正则,我这个对于大多数没问题,就碰见个别的容易出问题
[mw_shl_code=pyt ...

数电发票的正则式很简单，一个就可以了，但是各类税盘开出的电子发票格式多多少少都各有差异，单个的正则式很难解决，有些提取的文字单位前面就不带名称两个字。
如果是正常的电子发票可以用定位提高识别率：
bboxes = [(x1, y1, x2, y1_1), (x1, y3, x2, y3_1), (x1, y2, x3, y2_1), (x1, y4, x4, page_height)
                  , (x1, y2, x5, y2_1), (x6, y5, x7, y6)]
        text1 = ""  # 购售方
        text2 = ""  # 销买方
        text3 = ""  # 货物名称
        text4 = ""  # 货物名称'数电'
        text5 = ""  # 通行费
        text6 = ""  # 备注
        for idx, bbox in enumerate(bboxes):
            # 使用矩形区域的坐标裁剪文本
            cropped_text = page.within_bbox(bbox).extract_text()
            if idx == 0:
                text1 += cropped_text
            elif idx == 1:
                text2 += cropped_text
            elif idx == 2:
                text3 += cropped_text
            elif idx == 3:
                text4 += cropped_text
            elif idx == 4:
                text5 += cropped_text
            elif idx == 5:
                text6 += cropped_text

iloveshe

这个好，谢谢

heywood

用用看，感谢！

nbwww

测试了一下，大部分发票可以正常识别，部分发票销售方 购买方一样了   部分发票报下面的错误
处理文件 D:/Desktop/电子发票下载\dzfp_2493200000002030****_宁波市海******_20240329134625.pdf 时出错: list index out of range

另 楼主方便透露一下识别的原理吗？

zhaoxuanjun

感谢楼主已经用上了

luobosier

非常感谢的分享，下载试一试

Anruonuannian11

谢谢楼主热心分享

th4c3y

nbwww 发表于 2024-4-6 07:40
测试了一下，大部分发票可以正常识别，部分发票销售方 购买方一样了   部分发票报下面的错误
处理文件 D:/ ...

如果购买方和销售方不是"公司"结尾的会识别不到，比如自然人和个体工商户，至于下面错误的逻辑判断是:如果pdf读取没有找到发票或者找到开票人这几个字，那么就不认为这是张发票，将不提取里面的数据。

fxd680126

感谢分享！下载试试。