PDF电子发票识别整理程序：PDF-->Excel
基于python的PDF识别，通过文字处理获取发票关键信息并展示到table上，导出Excel合并PDF等功能。（因ocr部分不能打包exe，故ocr发票识别部分不可用）
链接：https://pan.baidu.com/s/1Mh6ZlZcZh83l09P_4gfbAA?pwd=WCEO
提取码：WCEO --来自百度网盘超级会员V7的分享
Python编写的PDF电子发票识别程序_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1M5411R7UA?spm_id_from=333.999.0.0&vd_source=22f968c8f7c8841759849afd5058a215 import os
import pdfplumber as pb
import pandas as pd
import re
import openpyxl
from pathlib import Path
import sys
import shutil
from time import sleep
from tkinter import *
from tkinter import filedialog
# 遍历文件夹及其子文件夹中的文件，并存储在一个列表中
# 输入文件夹路径、空文件列表[]
# 返回 文件列表Filelist,包含文件名（完整路径）
def get_filelist(dir, Filelist):
newDir=dir
if os.path.isfile(dir):
Filelist.append(dir)
# # 若只是要返回文件文，使用这个
# Filelist.append(os.path.basename(dir))
elif os.path.isdir(dir):
for s in os.listdir(dir):
#如果需要忽略某些文件夹，使用以下代码
#if s == "xxx":
#continue
newDir=os.path.join(dir, s)
get_filelist(newDir, Filelist)
return Filelist
def get_files(Filelist,dat):
paths = []
names=[]
for file in Filelist:
if file.split('.')[-1] in dat:
paths.append(file)
names.append(file.split('\\')[-1])
return paths,names
def get_dic(page,name,m):
dic = {}
text = page.extract_text()
gongsi = re.findall(r'[一-龟]+公司|个人', text)
gongsi =
dic['文件名'] = name.replace(".pdf", "_") + str(m + 1)
dic['发票代码'] = re.findall(r'\d{12}', text)
dic['发票号码'] = re.findall(r'\d{8}', text)
da = re.findall(r'[\d ]+年[\d ]+月[\d ]+日', text)
dic['开票日期'] = re.sub(r'年|月|日| ', '', da)
da = re.findall(r'[\d ]{20,30}', text)
dic['校验码'] = da.replace(' ', '')
try:
dic['税率'] = re.findall(r'免税|不征税|1{0,1}%', text)[-1]
except:
dic['税率'] = ''
dic['价税合计(小写)'] = re.findall(r'[￥|￥]{0,1}\d+\.\d+', text)[-1]
dic['购买方名称'] = gongsi
dic['销售方名称'] = gongsi[-1]
da = re.findall(r'(?1:
dic['备注'] = re.sub(r'\n销 备 |\n纳税人识别号', '', da[-1])
else:
dic['备注'] = ''
return dic
if __name__=="__main__":
root = Tk()
root.withdraw()
####rootDir = str(Path(sys.argv).parent)
rootDir =filedialog.askdirectory()#指定存储电子发票的文件夹
filelist = get_filelist(rootDir, [])#遍历文件夹里的全部文件
paths, names = get_files(filelist, ['pdf'])#判断PDF文件，返回PDF文件的路径和文件名
data=[]
for n in range(len(paths)):
pdf = pb.open(paths)#打开PDF文件
m = 0
for page in pdf.pages:#遍历PDF文件的每一页
if '开票人' in page.extract_text():#通过判断是否包含“开票人”，判断是否为电子发票（有的发票跟着行程或税务清单需排除掉）
dic=get_dic(page,names,m)#获取电子发票的关键信息
data +=
m+=1
pdf.close()
#保存到Excel
wb = openpyxl.Workbook()
ws = wb.active
ws.append(list(dic.keys()))
for d in data:
ws.append(list(d.values()))
wb.save(rootDir+"\\已识别发票信息.xlsx") 最关心的是OCR识别部分，请问这部分用的是什么？ 牛叉叉 有完整的源代码学习吗？
页:
[1]