python 提取增值税电子发票信息

1.代码介绍

本代码的主要功能是通过弹窗传入一个文件夹路径(文件夹下存放pdf版本的增值税电子发票),然后就会解析文件夹下所有的发票,然后把提取后的信息写入到Excel中,最后Excel会保存在python文件的当前目录。
1.1 需要用到的python库
在这里插入图片描述

import os
import re 
import logging
import tkinter as tk
from tkinter import filedialog
from datetime import datetime
import pdfplumber
import pandas as pd
from logging.handlers import RotatingFileHandler


# 提取发票信息
class ExtraInfo():
    def __init__(self) -> None:
        # 通过logger设置日志格式
        logger = logging.getLogger()
        logger.setLevel("INFO")
        fh = RotatingFileHandler("run.log", maxBytes=1024*1024, backupCount=1, encoding="utf-8")  # <这里设置了日志最大只能为1M>, <备份数设为1, 如果不设则maxBytes不生效>, <输出到文件>
        sh = logging.StreamHandler()  # <输出到控制台>
        fh.setFormatter(logging.Formatter("%(asctime)s - %(name)s - %(levelname)s -%(module)s: %(message)s"))
        sh.setFormatter(logging.Formatter("%(asctime)s - %(name)s - %(levelname)s -%(module)s: %(message)s"))
        logger.addHandler(fh)  # <使fh生效>
        # logger.addHandler(sh)  # <使sh生效>
        self.logger = logger


    @staticmethod
    def extra_invoice_info(file_path):
        text = ""
        try:
            with pdfplumber.open(file_path) as pdf:
                page = pdf.pages[0]
                text = page.extract_text()
        except Exception as e:
            print(f"出现异常:{file_path}-{e}")
        finally:
            return text
    

    def analyze_invoice_info(self, pdf_dir):
        ls_dir = os.listdir(pdf_dir)
        ls_data = []
        for i in ls_dir:
            pdf_path = os.path.join(pdf_dir, i)
            if pdf_path.endswith(".pdf"):
                try:
                    text = self.extra_invoice_info(pdf_path)
                    mtime = os.path.getmtime(pdf_path) #修改时间
                    文件修改时间 = datetime.fromtimestamp(int(mtime))
                    名称 = re.findall(r"名\s{0,1}称\s{0,1}[:,:]\s{0,1}(.*?)\s", text, re.I|re.S)
                    识别号 = re.findall(r"纳税人识别号[:, :]\s{0,1}(.*?)\s", text, re.I|re.S)
                    开票项目名称 = re.findall(r"税\s{0,1}额\s{0,1}(.*?)\s", text, re.I|re.S)
                    开票日期 = re.findall(r"开票日期\s{0,1}[:,:]\s{0,1}(.*?)日", text, re.I|re.S)
                    发票号码 = re.findall(r"发票号码\s{0,1}[:,:]\s{0,1}(.*?)\s", text, re.I|re.S)
                    价税合计 = re.findall(r".小写.[\s]{0,1}[\xa5,¥]\s{0,1}(.*?)\s", text, re.I|re.S)
                    if not 价税合计:
                        价税合计 = re.findall(r"小写\(cid:61\)[\xa5,¥]\s{0,1}(.*?)\s", text, re.I|re.S)
                    if not 价税合计:
                        价税合计 = re.findall(r"大写.\s{0,1}(.*?)\s", text, re.I|re.S)
                    ret = [pdf_path, 文件修改时间, 名称[0], 名称[1], 识别号[0], 识别号[1], 开票项目名称[0], 开票日期[0].replace(" ", "")+"日", f"'{发票号码[0]}", f"'{价税合计[0]}"]
                    ret = [str(k).replace(" ", "").replace("'", "") for k in ret]
                except Exception as e:
                    self.logger.warning(e)
                    self.logger.warning([text])
                    ret = [pdf_path, 文件修改时间, "", "", "", "", "", "", "", ""]
                finally:
                    self.logger.warning([text])
                    self.logger.info(ret)
                    ls_data.append(ret)
        return ls_data


    def to_excel(self, save_path, pdf_dir):
        ls_data = self.analyze_invoice_info(pdf_dir)
        df = pd.DataFrame(ls_data, columns=["文件路径", "文件修改时间", "购方名称", "销方名称", "购方识别号", "销方识别号", "开票项目名称" , "开票日期", "发票号码", "价税合计"])
        writer = pd.ExcelWriter(save_path, engine='openpyxl')
        df.to_excel(writer, sheet_name='Sheet1', startrow=0, startcol=0, index=False)
        writer.save()  # 如果writer.save()报错, 可能是你的pandas版本比较高, 请改为writer._save()或者writer.close()


# 弹窗获取文件夹
class PopUp():
    def __init__(self) -> None:
        self.folder_path = ""
        self.root = tk.Tk()
        self.folder_label = tk.Label(self.root, text="请选择文件夹")
        self.folder_label.pack(padx=5, pady=5)


    def browse_folder(self):
        self.folder_path = filedialog.askdirectory()
        print(self.folder_path)
        if self.folder_path:
            self.folder_label.config(text=self.folder_path)


    def pop_up(self):
        self.root.title("上传文件夹")
        self.root.geometry("300x150")
        browse_button = tk.Button(self.root, text="浏览", command=self.browse_folder)
        browse_button.pack(padx=5, pady=5)
        upload_button = tk.Button(self.root, text="提交", command=self.root.destroy)
        upload_button.pack(padx=5, pady=5)
        self.root.mainloop()
        return self.folder_path


if __name__ == '__main__':
    pop = PopUp()
    dir = pop.pop_up()

    extra = ExtraInfo()
    save_path = r"ouput.xlsx"  # 可以自行修改保存路径
    extra.to_excel(save_path, dir)

2.运行过程截图

2.1弹窗:点击“浏览”选择文件夹路径,然后点击“提交”即可!
在这里插入图片描述
2.2 生成的Excel
在这里插入图片描述
2.3 提取的效果
在这里插入图片描述

  • 9
    点赞
  • 28
    收藏
    觉得还不错? 一键收藏
  • 23
    评论
### 回答1: Python3 可以使用一些库来提取发票信息,其中最常用的是 pytesseract以及 OpenCV。 首先,我们需要安装 pytesseract 和 OpenCV 的库。可以使用以下命令进行安装: ``` pip install pytesseract opencv-python ``` 安装完成后,我们可以使用 pytesseract 的 OCR 功能来识别图片中的文本,并通过 OpenCV 进行图片处理。 ```python import cv2 import pytesseract # 读取图片 image = cv2.imread('invoice.jpg') # 转为灰度图像 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 使用二值化处理,提高文字识别的准确度 _, threshold_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # 通过 pytesseract 识别文本 text = pytesseract.image_to_string(threshold_image, lang='eng') # 输出识别结果 print(text) ``` 以上代码将读取名为 "invoice.jpg" 的图片,将其转换为灰度图像,并使用二值化处理。然后,使用 pytesseract 的 `image_to_string` 方法识别图像中的文本,并将结果输出。 需要注意的是,提取发票信息可能涉及到图片预处理、文本分析等复杂的操作。以上代码仅提供了一个基本的示例,具体的提取过程可能需要根据实际情况进行调整和优化。 ### 回答2: 要提取发票信息,可以使用Python3中的相关库和技术来完成。以下是一个简单的步骤: 1. 导入必要的库:首先需要导入Python中的一些库,例如OpenCV、Tesseract等。这些库可以用来处理图像和文字识别。 2. 加载发票图像:使用OpenCV库加载发票的图像文件,确保图像清晰且文字清晰可辨。 3. 文字识别:使用Tesseract库进行文字识别,可以将发票图像中的文本提取出来。可以使用以下命令将图像转化为可识别的文本: ``` import pytesseract text = pytesseract.image_to_string(image, lang='chi_sim') ``` 这里的`image`是发票图像的OpenCV对象,`lang='chi_sim'`表示使用中文字符集。 4. 提取所需信息:根据所需的发票信息,利用字符串处理技术、正则表达式等方法提取出关键字或特定格式的文本。例如,要提取发票号码,可以使用正则表达式`r'发票号码:(\w+)'`来匹配发票号码的文本。根据实际发票的布局和格式,可以编写相应的提取规则。 5. 输出提取结果:最后,将提取到的发票信息进行输出,可以选择以文本、JSON、CSV等格式进行输出,以便进一步处理或存储。 总之,通过使用适当的库和技术,结合图像处理和文字识别,可以完成Python3中的发票信息提取任务。具体的实现细节可以根据实际需求进行调整。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 23
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值