python批量提取发票的信息

Question

1.以滴滴开具的增值税发票为例，需要批量提取的信息包括：PDF文件名、PDF内容：发票号码、开票日期、购买方名称、购买方纳税人识别号、“货物或应税劳务、服务名称”、数量、单价、金额、税率、税额、价税合计小写金额、销售方名称、销售方纳税人识别号。
2.需要输出为excel文件
3.酬金80

Answer 1

以下是完整代码

import os
import pandas as pd
from pdfminer.high_level import extract_text
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
import io

def extract_information_from_pdf(pdf_path):
    # 提取 PDF 文本内容
    text = extract_text(pdf_path)

    # 解析发票信息
    invoice_info = {}
    lines = text.split('\n')
    for line in lines:
        if '发票号码' in line:
            invoice_info['发票号码'] = line.split('：')[1].strip()
        elif '开票日期' in line:
            invoice_info['开票日期'] = line.split('：')[1].strip()
        elif '购买方名称' in line:
            invoice_info['购买方名称'] = line.split('：')[1].strip()
        elif '购买方纳税人识别号' in line:
            invoice_info['购买方纳税人识别号'] = line.split('：')[1].strip()
        elif '货物或应税劳务、服务名称' in line:
            invoice_info['货物或应税劳务、服务名称'] = line.split('：')[1].strip()
        elif '数量' in line:
            invoice_info['数量'] = line.split('：')[1].strip()
        elif '单价' in line:
            invoice_info['单价'] = line.split('：')[1].strip()
        elif '金额' in line:
            invoice_info['金额'] = line.split('：')[1].strip()
        elif '税率' in line:
            invoice_info['税率'] = line.split('：')[1].strip()
        elif '税额' in line:
            invoice_info['税额'] = line.split('：')[1].strip()
        elif '价税合计小写金额' in line:
            invoice_info['价税合计小写金额'] = line.split('：')[1].strip()
        elif '销售方名称' in line:
            invoice_info['销售方名称'] = line.split('：')[1].strip()
        elif '销售方纳税人识别号' in line:
            invoice_info['销售方纳税人识别号'] = line.split('：')[1].strip()

    return invoice_info

def process_pdf_files(pdf_directory, output_excel):
    # 存储发票信息的列表
    invoices = []

    # 遍历 PDF 目录中的所有文件
    for filename in os.listdir(pdf_directory):
        if filename.endswith('.pdf'):
            pdf_path = os.path.join(pdf_directory, filename)

            # 提取发票信息
            invoice_info = extract_information_from_pdf(pdf_path)

            # 添加 PDF 文件名
            invoice_info['PDF 文件名'] = filename

            invoices.append(invoice_info)

    # 创建 DataFrame
    df = pd.DataFrame(invoices)

    # 保存为 Excel 文件
    df.to_excel(output_excel, index=False)

# 指定 PDF 目录和输出 Excel 文件路径
pdf_directory = 'your_pdf_directory'
output_excel = 'output.xlsx'

# 处理 PDF 文件并生成 Excel
process_pdf_files(pdf_directory, output_excel)

#运行时记得将  'your_pdf_directory'  替换为实际的 PDF 文件目录路径。运行代码后，它将提取所有 PDF 文件中的发票信息，并将其保存到  output.xlsx  文件中。

在运行上述代码之前，你需要确保安装了以下库：
1. pandas ：用于数据处理和创建 Excel 文件。
2. pdfminer ：用于提取 PDF 文件中的文本内容。

可使用命令通过pip安装

pip install pandas pdfminer

当然你也可以选择你熟悉的方法安装