python可视化快速提取国内电子普通发票和专用发票中的关键数据？

1 公司某部门大哥 会写一点代码，叫我帮他看看为什么发票中的项目提取不出来

2：我一顿操作，直接重写，并给他写了一个可视化界面，如下所示：

能提取pdf格式的电子普通和专用发票

核心代码请看:

#!/usr/bin/env python
# coding:utf-8
"""

@version:  1.0.0
@author:  Happylin
@file: re_fetch.py
@time: 2024/5/15 9:25
"""
import os
import re
import pandas as pd
import pdfplumber


class InvoiceExtract():

    def extract_invoice_infos(self, pdf_paths):
        """
        从给定的PDF路径列表中提取发票信息。

        参数:
        - pdf_paths: 包含多个PDF文件路径的列表，这些PDF文件预期为发票。

        返回值:
        - invoice_infos: 一个列表，包含从每个PDF文件中提取到的发票信息。每个发票信息是通过extract_invoice_info函数提取的。
        """
        invoice_infos=[]
        for path in pdf_paths:
            invoice_info = self.extract_invoice_info(path)
            invoice_infos.append(invoice_info)
        return invoice_infos

    def extract_invoice_info(self, pdf_path):
        """
           从PDF文件中提取电子发票信息。
           参数:
           - pdf_path: string，表示PDF文件的路径。

           返回值:
           - invoice_info: dict，包含以下键值对：
               - "电子发票名称": string，PDF文件的基名。
               - "发票代码": string，发票代码（如果存在）。
               - "发票号码": string，发票号码（如果存在）。
               - "开票日期": string，开票日期（如果存在），格式为"YYYY/MM/DD"。
               - "项目名称": string，服务名称，多个名称以分号分隔（如果存在）。
               - "价税合计": string，发票金额（如果存在）。
           """
        invoice_info = {
            "电子发票名称": os.path.basename(pdf_path),
            "发票代码": None,
            "发票号码": None,
            "开票日期": None,
            "项目名称": None,
            "价税合计": None
        }

        with pdfplumber.open(pdf_path) as pdf:
            for page in pdf.pages:
                text = page.extract_text()
                if not text:
                    continue

                # 提取发票代码
                if not invoice_info["发票代码"]:
                    code_match = re.search(r'发票代码[:：]?\s*(\d+)', text)
                    if code_match:
                        invoice_info["发票代码"] = code_match.group(1).strip()

                # 提取发票号码
                if not invoice_info["发票号码"]:
                    number_match = re.search(r'发票号码[:：]?\s*(\d+)', text)
                    if number_match:
                        invoice_info["发票号码"] = number_match.group(1).strip()

                # 提取开票日期
                if not invoice_info["开票日期"]:
                    # print(text)
                    # date_match = re.search(r'开票日期[:：]?\s*(\d{4}年\d{2}月\d{2}日|\d{4}-\d{2}-\d{2})', text)
                    date_match = re.findall('开票日期\s*[：:]\s*(.*?)\n', text, re.DOTALL)
                    # print(date_match)
                    if date_match:
                        invoice_info["开票日期"] = date_match[0].replace(' ', '').replace('年', '/').replace('月', '/').replace('日','').strip()

                # 提取服务名称
                if not invoice_info["项目名称"]:
                    tables = page.extract_tables()
                    # 确保所有行都检查
                    service_names = []
                    for row in tables[0]:
                        if not row:
                            continue
                        # print(row)
                        # heji_collect=False
                        for cell in row:
                            if "货物或应税劳务" in str(cell) or "项目名称" in str(cell):
                                # print(cell)
                                # 普票'项目名称 规格型号 单 位 数 量 单 价 金 额 税率/征收率 税 额\n*文具*工位牌 件 15 29.7821782178218 446.73 1% 4.47\n合 计 ¥446.73 ¥4.47'
                                # 专票 '货物或应税劳务、服务名称\n*经营租赁*经营租赁*车辆停放服务\n合 计'
                                # 分割普票
                                for item in cell.split('\n')[1:-1]:
                                    # 专票格式不一样 '*文具*工位牌 件 15 29.7821782178218 446.73 1% 4.47'
                                    # 普票\n分割
                                    zhuanpiao_item = item.split(' ')
                                    if len(zhuanpiao_item) > 1:
                                        for z_item in zhuanpiao_item:
                                            if '*' in z_item:
                                                service_names.append(z_item)
                                    else:
                                        service_names.append(item)
                            if "小写" in str(cell):
                                cost=cell.split("¥")[-1].strip()
                                # print(cost)
                                invoice_info["价税合计"]=cost
                    invoice_info["项目名称"] = '\n'.join(service_names)
                # 一旦所有信息都提取完毕，就可以停止循环
                if all(invoice_info.values()):
                    break

        return invoice_info


def extract_from_directory(directory_path):
    data = []
    for filename in os.listdir(directory_path):
        if filename.endswith(".pdf"):
            pdf_path = os.path.join(directory_path, filename)
            invoice_info = InvoiceExtract().extract_invoice_info(pdf_path)
            if invoice_info:
                data.append(invoice_info)
    df = pd.DataFrame(data)
    pd.set_option('display.max_rows', None)
    pd.set_option('display.max_columns', None)
    pd.set_option('display.width', 2000)
    print(df)
    return data


directory_path = ""

if __name__ == '__main__':
    extract_from_directory(directory_path)