PDF电子发票数据提取至Excel

th4c3y

整合了一下自己发布的发票识别软件，重构了一下界面：
新版将不会支持win7，win7还请使用下面以前的版本。
增加（百度、腾讯）的api接口
（百度、腾讯）的api账号请自行获取，懂的都懂，不懂请百度，只是多提供一种选择。

百度网盘: https://pan.baidu.com/s/1TdBDLIHE_Cayukewb2X3Vg?pwd=qe9h

蓝奏 密.txt (54 Bytes, 下载次数: 82)

2024-10-12 12:08 上传

点击文件名下载附件
下载积分: 吾爱币 -2 CB

PDF电子发票数据提取至Excel：
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

更新3.5版本：
一直在悄悄修改，3.4终版后本不打算更新了，强迫症还是最后更新了一下
1、可移动字段顺序和隐藏字段，需重新保存为excel副本。
2、文件夹拖入

[hr]
更新3.0版本：
1、增加发票文件整理功能（根据发票字段创建文件夹并移动或者复制文件到相应文件夹）
2、增加数据汇总功能（比较简陋，没有上数据库，就是将提取的excel表合并至一个工作表内，合并的区段是“从启动到关闭程序之间所有提取数据选择保存的文件夹”）

[hr]

更新2.4版本：

修复红字发票金额为负数识别成正数的bug
应要求增加【销售方纳税人识别号】字段
预览界面双击打开文件，右键可删除源文件
删除文件或者重命名文件后excel表内是不会自动变的，需重新提取

不是所有pdf发票都能100%正确识别，请自行甄别

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文件可以用金税OFD阅读器批量转换成pdf再统一提取

百度网盘链接：https://pan.baidu.com/s/1CHosHesiVE4Lxu5iBt9bhA?pwd=l1xj
提取码：l1xj

蓝奏盘：https://wwp.lanzout.com/b00l0z820d
提取码：52pj

xml发票信息提取：
给需要的小伙伴，懒得另外开贴了。
上面蓝奏盘

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

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。

只看楼主

谢谢楼主