好友
阅读权限10
听众
最后登录1970-1-1
|
借助pdfplumber 解析
效果如下：
{'发票号码(FPHM)': '24322000000011529984', '开票日期(KPRQ)': '2024年01月11日', '合计(HJ)': '1205.94', '购方': '91320213586657279T', '销方': '91320214MAD1N7EN36', '价税合计(JSHJ)': '1218.00', '项目(XM)-1': '餐饮 11205.940594059405 1205.94 1% 12.06'}
1、安装
[Python] 纯文本查看 复制代码 pip install pdfplumber -i https://pypi.tuna.tsinghua.edu.cn/simple
2、全部代码
[Python] 纯文本查看 复制代码 def getPdfText2(path):
with pdfplumber.open(path) as pdf:
page = pdf.pages[0]
text = page.extract_text()
print(text)
# 提取发票表格上方内容
invoice = {}
ftype: int = 0 # 取购销方纳税识别号方式 1 是 纳税人识别号: 91320213586657279T ，2是只有18位数字
item = re.search(r'发票号码(:|: |：)(\d+)', text)
if item is not None:
item = item.group()
item = re.sub(r'发票号码(:|: |：)', '', item)
item = item.replace(' ', '')
invoice.update({"发票号码(FPHM)": item})
item = re.search(r'开票日期(:|: |：)(.*)', text)
if item is not None:
item = item.group()
item = re.sub(r'开票日期(:|: |：)', '', item)
item = item.replace(' ', '')
invoice.update({"开票日期(KPRQ)": item})
item = re.search(r'机器编号(:|: |：)(\d+)', text)
if item is not None:
item = item.group()
item = re.sub(r'机器编号(:|: |：)', '', item)
item = item.replace(' ', '')
invoice.update({"机器编号(JQBH)": item})
item = re.search(r'发票代码(:|: |：)(\d+)', text)
if item is not None:
item = item.group()
item = re.sub(r'发票代码(:|: |：)', '', item)
item = item.replace(' ', '')
invoice.update({"发票代码(FPDM)": item})
item = re.search(r'校验码(:|: |：)(\d+)', text)
if item is not None:
item = item.group()
item = re.sub(r'校验码(:|: |：)', '', item)
item = item.replace(' ', '')
invoice.update({"校验码(JYM)": item})
item = re.search(r'合(\s+)计(.*)', text)
if item is not None:
item = item.group()
item = item.replace(' ', '').replace('合计', '')
item = re.search(r'¥(\d+).(\d+)', item).group()
item = item.replace('¥', '')
invoice.update({"合计(HJ)": item})
# 购销方 纳税人识别号 方式1 (纳税人识别号: 913202006829704176)
items = re.findall(r'纳税人识别号(:|: |：)(\w+)', text)
if len(items) >= 2:
invoice.update({"购方": items[0][1]})
invoice.update({"销方": items[1][1]})
ftype = 1
if ftype == 0:
# 购销方 纳税人识别号 方式2 (只有18位数字)
items = re.findall(r'[0-9A-HJ-NPQRTUWXY]{2}\d{6}[0-9A-HJ-NPQRTUWXY]{10}', text)
if len(items) == 2:
invoice.update({"购方": items[0]})
invoice.update({"销方": items[1]})
if len(items) >= 2:
invoice.update({"购方": items[1]})
invoice.update({"销方": items[2]})
item = re.search(r'(小写)(.*)', text)
if item is not None:
item = item.group()
item = item.replace(' ', '').replace('小写)¥', '').replace('小写）¥', '')
invoice.update({"价税合计(JSHJ)": item})
items = re.findall(r'\*[\u4e00-\u9fa5]+\*(.*)', text)
i: int = 1
for item in items:
invoice.update({"项目(XM)-" + str(i): item})
i = i + 1
print(invoice) |
免费评分
-
查看全部评分
|
发帖前要善用【论坛搜索】功能，那里可能会有你要找的答案或者已经有人发布过相同内容了，请勿重复发帖。 |
|
|
|
|
|
|
发表于 2024-1-18 13:25
