ヒント | Python は PDF 請求書をバッチで自動的に抽出して整理します

#この記事では、PDF ベースの Python オフィス オートメーションのソリューションを紹介します。これは金融機関によって提案されたものでもあります。まずは本当のニーズを見てみましょう。

要件の説明

特定のフォルダーに複数の PDF 形式の請求書が存在します

それぞれの請求書PDF は

純粋な画像 タイプであり、以下に示すように、内部のテキスト情報を手動でコピーすることはできません (実際、ほとんどの請求書はテキストの一部をコピーできますが、ここでは画像の形式で説明します)。 :

満たす必要がある要件は、

、納税者番号、および発行者 の合計金額、つまり次の 3 つのボックスの位置を取得することです。 最後にバッチ操作と組み合わせ、上記の情報を取得したらExcelに保存します。

アイデアとコードの実装PDF の内容は次のとおりであるため、要件の本質は画像認識の問題です。画像タイプなので押せません 従来の方法ではテキストを直接抽出していました。解決策は、光学式文字認識 (OCR) を使用して画像内のテキストを認識することです。ただし、同時に、PDF は結局のところ画像ではないことに注意する必要があります。OCR を完了するには、OCR 自体に加えて、

Ghostscript

と ImageMagick をダウンロードする必要があります。完全な型変換。 Windows システムを例に挙げると、次の 3 つのソフトウェアをコンピュータにインストールする必要があります。

1. ゴーストスクリプト 32 ビット
2. ImageMagick 32 ビット
3. tesseract-OCR 32 ビット

3 つのソフトウェアをダウンロードしてインストールするための特別な場所はありません (tesseract の設定は少し複雑ですが、多くのソフトウェアがあります)チュートリアルはインターネット上にあるので、ここでは詳しく説明しません。）、読者は自分でダウンロードと設定を検索できます。コードは以下で説明されています。まず必要なモジュールをインポートします。

from wand.image import Image
from PIL import Image as PI
import pyocr
import pyocr.builders
import io
import re
import os
import shutil

特定のモジュールの使用については、以下の特定のコードを参照してください。このうち、wand と pyocr は非標準ライブラリのため、別途インストールする必要があります。コマンド ラインを開いて次のように入力します:

pip install wand
pip install pyocr

この要件には Excel のドッキングも含まれます。openpyxl ライブラリの Workbook を使用して新しい Excel ファイルを作成することを検討できます。

from openpyxl import Workbook

要件にある invoice.pdf をデスクトップに配置します。デスクトップ パスは、os モジュールに基づく次のコードを通じて取得できます:

# 获取桌面路径包装成一个函数
def GetDesktopPath():
    return os.path.join(os.path.expanduser("~"), 'Desktop')

path = GetDesktopPath() + r'\发票.pdf'

後で呼び出すために構成された tesseract を取得します:

tool = pyocr.get_available_tools()[0]

通过 wand 模块将 PDF 文件转化为分辨率为 300 的 jpeg 图片形式：

image_pdf = Image(filename=path, resolution=300)
image_jpeg = image_pdf.convert('jpeg')

将图片解析为二进制矩阵：

image_lst = []
for img in image_jpeg.sequence:
    img_page = Image(image=img)
    image_lst.append(img_page.make_blob('jpeg'))

用 io 模块的 BytesIO 方法读取二进制内容为图片形式：

new_img = PI.open(io.BytesIO(image_lst[0]))
new_img.show()

接下来分别截取需要提取部位字符串的图片了，尽量让图片中只有需要识别的部分，获取识别出来容易简单处理获得需要的内容。

首先以总金额为例，截取图片用 image.crop((left, top, right, bottom)) 四个参数需要反复调试才能确定。经确定四个参数分别是 1600 760 1830 900，尝试截取和预览图片：

### 解析1Z开头码
left = 350
top = 600
right = 1300
bottom = 730
image_obj1 = new_img.crop((left, top, right, bottom))
image_obj1.show()

截取成功后可以交给 OCR 了，代码为 tool.image_to_string()

txt1= tool.image_to_string(image_obj1)
print(txt1)

同样，通过方位的调试就可以准确切割到需要的部分进行识别：

left = 560
top = 1260
right = 900
bottom = 1320
image_obj2 = new_img.crop((left, top, right, bottom))
# image_obj2.show()
txt2 = tool.image_to_string(image_obj2)
# print(txt2)

最后是开票人的识别

left = 1420
top = 1420
right = 1700
bottom = 1500
image_obj3 = new_img.crop((left, top, right, bottom))
# image_obj3.show()
txt3 = tool.image_to_string(image_obj3)
# print(txt3)

需要确认识别的内容是否正确，如果识别正确率欠佳可以考虑通过图片处理技术消除噪声，也可以去官网下载更高精度的训练包提高识别的正确性

至此，我们成功的识别了总金额、纳税人识别号、开票人三个消息，接下来就通过非常熟悉的 openpyxl 写入Excel，并使用 os 模块实现批量操作即可

workbook = Workbook()
sheet = workbook.active
header = ['总金额', '纳税人识别号', '开票人']
sheet.append(header)
sheet.append([txt1, txt2, txt3])
workbook.save(GetDesktopPath() + r'\汇总.xlsx')

综上，整个需求就成功实现，从效果来看还是非常不错的！完整源码可由文中代码组合而成（已全部分享在文中），感兴趣的读者可以自己尝试！

最后想说的是，其实本文的案例可以衍生出很多实用的办公自动化脚本，例如

• 批量计算发票金额并重命名文件夹
• 根据发票类型批量分类
• 根据发票批量制作报销单
• ··· ···

以上がヒント | Python は PDF 請求書をバッチで自動的に抽出して整理しますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。