python提取pdf发票信息_PDF电子发票内容提取

网页版程序使用地址：[在线使用](https://www.yooongchun.com/apps)

摘要

本文介绍如何提取PDF版电子发票的内容。

1. 加载内容

首先使用Python的pdfplumber库读入内容。

```python

FILE=r"data/test-2.pdf"

pdf=pb.open(FILE)

page=pdf.pages[0]

```

接着读取内容并提取线段。

```python

words=page.extract_words(x_tolerance=5)

lines=page.lines # 获取线段(不包括边框线)

for word in words:

print(word)

# 坐标换算

for index,word in enumerate(words):

words[index]["y0"]=word["top"]

words[index]["y1"]=word["bottom"]

for index,line in enumerate(lines):

lines[index]["x1"]=line["x0"]+line["width"]

lines[index]["y0"]=line["top"]

lines[index]["y1"]=line["bottom"]

```

2. 还原表格

为了将内容划分到合理的位置，需要还原出表格。

首先，把线段分类为横线和竖线，并且剔除较短的两根。

```python

hlines=[line for line in lines if line["width"]>0] # 筛选横线

hlines=sorted(hlines,key=lambda h:h["width"],reverse=True)[:-2] #剔除较短的两根

vlines=[line for line in lines if line["height"]>0] #筛选竖线

vlines=sorted(vlines,key=lambda v:v["y0"]) #按照坐标排列

```

将线段展示出来如下图。

此时的线段是不闭合的，将缺少的线段补齐得到表格如下。

# 查找边框顶点

hx0=hlines[0]["x0"] # 左侧

hx1=hlines[0]["x1"] # 右侧

vy0=vlines[0]["y0"] # 顶部

vy1=vlines[-1]["y1"] # 底部

thline={"x0":hx0,"y0":vy0,"x1":hx1,"y1":vy0} # 顶部横线

bhline={"x0":hx0,"y0":vy1,"x1":hx1,"y1":vy1} # 底部横线

lvline={"x0":hx0,"y0":vy0,"x1":hx0,"y1":vy1} # 左侧竖线

rvline={"x0":hx1,"y0":vy0,"x1":hx1,"y1":vy1} # 右侧竖线

hlines.insert(0,thline)

hlines.append(bhline)

vlines.insert(0,lvline)

vlines.append(rvline)

接下来，查找所有线段的交点：

# 查找所有交点

points=[]

delta=1

for vline in vlines:

vx0=vline["x0"]

vy0=vline["y0"]

vx1=vline["x1"]

vy1=vline["y1"]

for hline in hlines:

hx0=hline["x0"]

hy0=hline["y0"]

hx1=hline["x1"]

hy1=hline["y1"]

if (hx0-delta)<=vx0<=(hx1+delta) and (vy0-delta)<=hy0<=(vy1+delta):

points.append((int(vx0),int(hy0)))

print('所有交点：',points)

print('交点总计：',len(points))

最后，根据交点构建矩形块

# 构造矩阵

X=sorted(set([int(p[0]) for p in points]))

Y=sorted(set([int(p[1]) for p in points]))

df=pd.DataFrame(index=Y,columns=X)

for p in points:

x,y=int(p[0]),int(p[1])

df.loc[y,x]=1

df=df.fillna(0)

# 寻找矩形

rects=[]

COLS=len(df.columns)-1

ROWS=len(df.index)-1

for row in range(ROWS):

for col in range(COLS):

p0=df.iat[row,col] # 主点：必能构造一个矩阵

cnt=col+1

while cnt<=COLS:

p1=df.iat[row,cnt]

p2=df.iat[row+1,col]

p3=df.iat[row+1,cnt]

if p0 and p1 and p2 and p3:

rects.append(((df.columns[col],df.index[row]),(df.columns[cnt],df.index[row]),(df.columns[col],df.index[row+1]),(df.c