Python中比较好用的PDF模块——发票金额提取

参考文档：常用Python PDF库对比

上文中：列举了几个常用的Python中PDF的模块。

我自己的应用场景是将发票金额提取，并用金额去命名pdf文件名。

经过个人测试：PyMuPDF模块效果显著。

Talk is cheap，I show you the code。

import os
import fitz
import shutil
'''
    支持滴滴行程单。
    # PyMuPDF模块：https://pymupdf.readthedocs.io/en/latest/tutorial.html#extracting-text-and-images
'''
root_dir = "./"
out_dir = "./output"
if not os.path.exists(out_dir):
    os.mkdir(out_dir)


def fapiao_read(text):
    if "￥" in text:
        print(text.split("￥")[-1].split("\n")[0])
        money = text.split("￥")[-1].split("\n")[0]
    elif "¥" in text:
        print(text.split("¥")[-1].split("\n")[0])
        money = text.split("¥")[-1].split("\n")[0]
    return money


def xingchengdan_read(text):
    print(text.split("合计")[1].split("元")[0].split()[0])
    money = text.split("合计")[1].split("元")[0].split()[0]
    return money


Repeat_name_list = []
for file in os.listdir("./"):
    if file.endswith(".pdf"):
        src = os.path.join(root_dir, file)
        doc = fitz.open(src)  # or fitz.Document(filename)
        page = doc.load_page(0)
        text = page.get_text("text")

        if "￥" in text or "¥" in text:
            if "敏感信息脱敏" in text and "敏感信息脱敏" in text:
                money = fapiao_read(text)
                out_file_name = "电子发票" + money + "元"
            else:
                continue
        else:
            money = xingchengdan_read(text)
            out_file_name = "电子发票" + money + "元行程单"
        Repeat_name_list.append(out_file_name)
        if out_file_name in Repeat_name_list:
            repeat_num = Repeat_name_list.count(out_file_name)
            if repeat_num == 1:
                out_file_name = out_file_name
            else:
                out_file_name = out_file_name + "(" + str(repeat_num-1) + ")"
        dst = os.path.join(out_dir, out_file_name+".pdf")
        shutil.copy(src, dst)

这个仅仅支持所有电子发票的pdf，同时支持滴滴发票和行程单的提取。其他pdf暂未考虑。因为我也用不到。

备注：据我观察人民币的“￥”符号，在发票中，有两种表现。代码中已经列出。