技巧｜Python 批量自动提取、整理 PDF 发票

本文分享一个基于 PDF 的 Python 办公自动化的案例解决，也是某位财务小姐姐提出的真实需求，先来看看需求。

需求描述

在某个文件夹下有多个 PDF 类型发票

每一张发票 PDF 是纯图片类型，里面的文字信息无法手动复制（事实上大多数发票可以复制部分文字，但我们扔以图片形式来讲解），大致如下图所示：

需要满足的需求是：获取 总金额、纳税人识别号、开票人，即如下三个方框位置：

最后结合批量操作，在获取上述信息后将其存储入 Excel 中！

思路与代码实现

需求本质是一个图片识别问题，因为 PDF 里的内容是图片类型，无法按常规方法直接把文本抽提出来。解决思路是利用光学字符识别（OCR）将图片中的文字识别出。但同时也需要注意，PDF 毕竟不是图片，为了完成 OCR，除了OCR自身之外还要下载 Ghostscript 和 ImageMagick 用来完成类型转换。已 Windows 系统为例，需要在电脑上安装以下三个软件：

1. Ghostscript 32 位
Ghostscript 32 位

ImageMagick 32 位

tesseract-OCR 32 位

三个软件的下载安装没有特殊的地方（tesseract 配置稍复杂但网络有上诸多教程，这里不再赘述），读者可自行搜索下载及配置，下面讲解代码。首先导入需要的模块：

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

具体的模块用途可以参考下面具体代码。其中 wand 和 pyocr 由于是非标准库需要自行额外安装。打开命令行输入：

pip install wand
pip install pyocr

本需求还涉及对接 Excel，可考虑利用 openpyxl 库的 Workbook 用以创建新的 Excel 文件：

from openpyxl import Workbook

需求中的 发票.pdf 放在桌面上。可通过下面基于 os 模块的代码获取桌面路径：

# 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'

获取配置好的 tesseract

ImageMagick 32位🎜🎜tesseract- OCR32位

三个软件的下载安装没有特殊的地方（tesseract稍稍配置复杂但网上有上消防教程，这里不再赘述），读者可自行搜索下载及配置，下面讲解代码。首先需要导入的模块：🎜

tool = pyocr.get_available_tools()[0]

具体的模块用途可以参考下面具体代码。其中 wand 和 pyocr 由于是非标准库需要自行额外安装。打开命令行输入：🎜

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

本需求还涉及对接Excel，可以考虑利用 openpyxl 库的 Workbook 继而创建新的 Excel 文件：🎜

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

需求中的 发票.pdf 放在桌面上。下面可以通过基于 os 模块的代码获取桌面路径：🎜

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

获取配置好的 tesseract 后面调用：🎜

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 批量自动提取、整理 PDF 发票的详细内容。更多信息请关注PHP中文网其他相关文章！