工作中常常需要把发票中的关键信息（发票号码, 开票日期, 价格等）整理成Excel表格，手工复制粘贴太慢，于是弄了个脚本来干。
这个脚本原型是从CSDN上找的，使用过程中逐渐优化，适应的发票样式更多一点，目前基本覆盖了我经手的所有发票。
在此向原作者致谢并致歉------我实在不记得原始链接了，如果原作者认出了本代码的前世，可留个言。
工作原理：
使用PDF库提取文字，用正则表达式查找目标字段信息，导出到Excel中。
虽然在我使用的场景中已经很稳定了，但因为PDF上的文字往往不像看到的那样是个连续的字符串，所以有时候会匹配不到，或者字段内容找不全，因此生成的文件最好还是人工过目一遍。
更稳妥的办法是用AI基于图像识别的方式来做，那就是另外的路线了。
使用方法：
修改代码中的target_dir，这是存放你要处理的发票PDF的文件夹，然后运行脚本即可。
脚本运行后会在这个文件夹中生成一个Excel文件，记录几个关键字段和对应的发票文件路径。
python
# 需要导入以下包
import pdfplumber
import os
from openpyxl import Workbook
import re
# 存放待提取发票的完整路径
target_dir = fr"/Users/xxx/财务/发票"
# 定义表格的标题
titles = ["发票号码", "开票日期", "价税合计", "开票人", "文件名"]
# 定义查找发票字段的正则表达式数组，每行对应一个字段，可使用多个表达式，按优先度排列，找到了就不再使用下一个表达式。
regex_patterns = [
['发\s*票\s*号\s*码\s*[：:]\s*(\d+)', '票\s*据\s*号\s*码\s*[：:]\s*(\d+)'],
['开\s*票\s*日\s*期\s*[：:]\s*(.*?)\n', '开\s*票\s*日\s*期\s*[：:]\s*([\d-]+)\n'],
['价\s*税\s*合\s*计.*?[¥￥]\s*([\d.]+)', '[\(（]小写[\)）]￥?\s*([\d.,]+)'],
['[销售]\s*名\s*称\s*[：:]\s*(.*?)\n', '[\(（]小写[\)）].+名\s*称\s*[：:]\s*(.*?)\n', '售\s*名\s*称\s*[：:]*\s*(.*?)\n']
]
def main():
# 创建存放发票信息的文件
wenjian = Workbook()
sheet = wenjian.active
# 先把要提取内容的抬头写入单元格
for col, title in enumerate(titles, start=1):
sheet.cell(1, col, title)
# 从表格第二行开始写入数据
row = 2
# 下面三行提取所有发票PDF的文件名
files = []
for (dirpath, dirnames, filenames) in os.walk(target_dir):
files.extend(os.path.join(dirpath, file) for file in filenames if file.lower().endswith('.pdf'))
for file in files:
with pdfplumber.open(fr"{file}") as pdf:
print(f"Processing {file}")
first_page = pdf.pages[0]
text = first_page.extract_text()
print(f"Extracted text from {file}:\n{text}\n")
fill_excel(wenjian, file, text, regex_patterns, row)
row += 1
# 提取好后保存文件
wenjian.save(os.path.join(target_dir, "发票列表.xlsx"))
# 使用正则表达式查找对象
def find_with_regex(text, regex_list):
for regex in regex_list:
result = re.findall(regex, text, re.DOTALL)
if result:
return result[0]
return None # 如果没有找到匹配项，返回None
def fill_excel(wb, file, text, regex_patterns, row):
sheet = wb.active
relative_path = os.path.relpath(file, target_dir)
sheet.cell(row, len(titles), relative_path)
for column in range(0, len(regex_patterns)):
result = find_with_regex(text, regex_patterns[column])
if result:
# 去掉结果中的所有空格（有时候销售名称中会有空格）
result = result.replace(" ", "")
print(f"\t{titles[column]}: {result}")
if (titles[column] == "价税合计"):
cell = sheet.cell(row, column+1, float(result))
# 把单元格设置为数值类型
cell.number_format = '#,##0.00'
else:
if (titles[column] == "开票日期"):
# 去掉日期中的空格
result = result.replace(" ", "")
cell = sheet.cell(row, column+1, result)
else:
print(f"\t{titles[column]}: <没找到!>")
if __name__ == "__main__":
main()