PDF电子发票数据提取至Excel

th4c3y

采用python正则表达提取
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

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、增加了一些非公司后缀的正则式，但是还是会存有一定误差，楼主的100多张发票已经能够正确识别了。
3、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

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？

iloveshe

这个好，谢谢

heywood

用用看，感谢！

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。