技巧｜Python 批次自動提取、整理 PDF 發票

本文分享一個基於PDF 的Python 辦公室自動化的案例解決，也是某位財務小姐姐提出的真實需求，先來看看需求。

需求描述

在某個資料夾下有多個PDF 類型發票

每一張發票PDF 是純圖片類型，裡面的文字資訊無法手動複製（事實上大多數發票可以複製部分文字，但我們丟以圖片形式來講解），大致如下圖所示：

需要滿足的需求是：取得總金額、納稅人識別號碼、開票人，即如下三個方框位置：

最後結合批量操作，在獲取上述資訊後將其儲存入Excel 中！

想法與程式碼實作

需求本質是一個圖片辨識問題，因為PDF 裡的內容是圖片類型，無法按常規方法直接把文本抽提出來。解決想法是利用光學字元辨識（OCR）將圖片中的文字辨識出。但同時也需要注意，PDF 畢竟不是圖片，為了完成 OCR，除了OCR自身之外還要下載 Ghostscript 和 ImageMagick 用來完成型別轉換。已 Windows 系統為例，需要在電腦上安裝以下三個軟體：

1. Ghostscript 32 位元
2. #ImageMagick 32 位元
3. #tesseract-OCR 32 位元

三個軟體的下載安裝沒有特殊的地方（tesseract 設定稍複雜但網路有上諸多教程，這裡不再贅述），讀者可自行搜尋下載及配置，以下講解程式碼。首先導入需要的模組：

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

具體的模組用途可以參考下面具體程式碼。其中 wand 和 pyocr 由於是非標準函式庫需要自行額外安裝。開啟命令列輸入：

pip install wand
pip install pyocr

本需求也涉及對接Excel，可考慮利用openpyxl 函式庫的Workbook 用以建立新的Excel 檔案：

from openpyxl import Workbook

需求中的發票.pdf 放在桌面上。可透過下方基於 os 模組的程式碼取得桌面路徑：

# 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'

取得配置好的 tesseract 便於後面呼叫：

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
• ··· ···

以上是技巧｜Python 批次自動提取、整理 PDF 發票的詳細內容。更多資訊請關注PHP中文網其他相關文章！