python 发票信息提取_Python提取发票内容保存到Excel.md

Python提取PDF发票内容保存到Excel

---

摘要：这篇文章介绍如何把发票内容提取出来保存到Excel中。文章分为两个部分，第一部分程序用法，第二部分介绍代码。

---

作者：yooongchun

CSDN博客：https://blog.csdn.net/zyc121561

微信公众号：yooongchun小屋

---


---

- 程序功能及使用：

程序会把发票中的内容提取出来然后写入Excel中，一个示例的发票内容如下：


而多份PDF的提取结果示意如下：


这里提取的关键词可自定义，只需要把需要的关键字写在Excel中即可。

程序的运行使用很简单，只要在可视化界面中输入相应的文件路径然后运行即可，程序界面示意如下：


- 程序开发思路：开发主要涉及三个点：其一就是PDF解析，其二是提取规则，其三就是Excel保存。

- PDF解析：PDF解析使用pdfminer3K模块，Python3环境下使用如下方式安装：

```python

pip3 install PdfMiner3K

```

接下来使用该模块进行PDF解析，主要函数如下：

```python

# 解析文件

def parse_pdf(path, output_path):

with open(path, 'rb') as fp:

parser = PDFParser(fp)

doc = PDFDocument()

parser.set_document(doc)

doc.set_parser(parser)

doc.initialize('')

rsrcmgr = PDFResourceManager()

laparams = LAParams()

laparams.char_margin = 1.0

laparams.word_margin = 1.0

device = PDFPageAggregator(rsrcmgr, laparams=laparams)

interpreter = PDFPageInterpreter(rsrcmgr, device)

extracted_text = ''

for page in doc.get_pages():

interpreter.process_page(page)

layout = device.get_result()

for lt_obj in layout:

if isinstance(lt_obj, LTTextBox) or isinstance(lt_obj, LTTextLine):

extracted_text += lt_obj.get_text()

with open(output_path, "w", encoding="utf-8") as f:

f.write(extracted_text)

```

解析后PDF文字内容会被转换为TXT，当然，PDF必须遵守标准的Adobe规范才行，另外，不同的参数设置会导致不同的解析结果(主要是文字的相对位置)，因而实际使用中必须对此参数进行调整。

- 提取规则：提取规则根据文字的相对位置和文字规律来确定，比如关键词后面接着内容，比如银行账号一定是数字，比如开户行关键字的内容一定会有银行，支行等词汇，这里提取规则稍微复杂一些，根据实际情况进行设定，我设定的规则如下：

```python

# 格式化发票内容

# 内容分区

def split_block(text):

text_line = text.split("\n")

# 第一步：分区：[公共头,购买方,销售方，公共域]

header = []

buyer = []

saler = []

body = []

index = 0

while index < len(text_line):

if not text_line[index] == "购":

header.append(re.sub(r"\s+", "", text_line[index]))

index += 1

continue

else:

break

while index < len(text_line):

if not text_line[index] == "项目名称":

if text_line[index] == "购" or text_line[index] == "买" or text_line[index] == "方":

index += 1

continue

if re.sub(r"\s+", "", text_line[index]) == "地址、" and re.sub(

r"\s+", "", text_line[index + 1]) == "电话:":

buyer.append(

re.sub(r"\s+", "",

text_line[index] + text_line[index + 1]))

index +=