|
大部分公司还是需要员工自行整理发票填写报销单，并且打印电子发票后提交给财务才能报销。如果发票多了会很浪费时间，让我们用Python写个程序来管理电子发票吧。 个人发票管理功能点- 发票自动识别，读取发票信息。（前期只处理PDF电子发票）
- 批量导出识别的发票信息。
- 合并多个发票文件到一个文件。
后续增加功能。会陆续写文章一步一步介绍如何实现这些功能。 - 提供可视化界面，支持C/S和B/S两种模式。
- 添加到windows任务栏。
- 发票分类。根据报销类型对发票进行分类标注。
- 发票抬头、税号、发票号等校验，排除错误抬头、避免出现重复发票。
- 标注已经报销的发票。
- 自动读取邮箱中的发票附件，并提取发票信息。
- 支持图片格式增值税发票。基于OCR识别发票。
- 支持更多其他类型的发票。
PDF格式电子发票信息读取Python处理PDF的库很多，有PyMuPDF、PyPDF2、pdfminer、pdfplumber等，每个库都有不同的特点（使用Python操作PDF：常用PDF库总结 - 知乎这篇文章总结得比较全面，有兴趣的可以看看）。 我选择用pdfplumber（
https://github.com/jsvine/pdfplumber）这个库来读取发票内容，因为它可以方便的提取PDF中的文本、图片，重要的是它可以很好地提取表格。  pdfplumber与其他库的比较 安装pdfplumber pip install pdfplumber
下面的示例代码将打印出pdfplumber读取的文本信息和表格信息，并且将pdf表格和文本框保存到图片查看读取效果。另外，电子发票含有一个二维码，里面包含发票信息，pdfplumber没有办法直接解析出图片，这里使用crop()函数截取图片区域，然后再用to_image()函数转成图片。二维码图片可以用pyzbar等识别二维码的库解析，用于核对信息。 import pdfplumber with pdfplumber.open(r'1.pdf') as pdf: # 读取第一页 first_page = pdf.pages[0] # 转成图片,dpi设置为100 im = first_page.to_image(resolution=100) # 画出表格边框和线条交点 im.debug_tablefinder() # 画出文本边框 im.draw_rects(first_page.extract_words()) # 保存图片 im.save(r'1.png') # 打印读取的文本 print(first_page.extract_text()) # 打印读取的表格 print(first_page.extract_table()) # 保存pdf中的图片 for image in first_page.images: im = first_page.crop(bbox=(image['x0'],image['top'],image['x1'],image['bottom'])).to_image(resolution=100) im.save(f'{image['name']}.png')
 表格和文本识别区域 从上图可以看出pdfplumber识别发票表格的效果还是很好的，红色线是识别的表格，蓝色圆圈点是表格线条的交点。 另外通过extract_text()打印出来的文本，我们分析可以发现，直接从文本中获取发票全部信息还是比较困难的（懒得打码就不放图了），很多信息混在一起。这个换别的库提取文本也一样，都没有很好的效果，而且不同省份的发票PDF排版还不一样，如果不通过表格区域去获取文本，是没有办法解析发票全部信息的。 最后，我们结合extract_text()和extract_table()分别获取发票头和发票表格中的信息。 解析发票信息并导出到表格解析发票比较简单，用正则表达式提取信息就可以了。以发票表格上方的发票号等信息为例,通过extract_text()获取的文本来解析(需要注意的是不同地区发票的“冒号”有的是半角有的是全角)： # 提取发票表格上方内容invoice.number = re.search(r'发票号码(:|：)(\d+)', text).group(2)invoice.date = re.search(r'开票日期(:|：)(.*)', text).group(2)invoice.machine_number = re.search(r'机器编号(:|：)(\d+)', text).group(2)invoice.code = re.search(r'发票代码(:|：)(\d+)', text).group(2)invoice.check_code = re.search(r'校验码(:|：)(\d+)', text).group(2)
发票表格中的内容，则通过extract_table()获取的表格内容来解析。以购买方为例，需要从指定的cell中去获取数据： # 读取表格table = first_page.extract_table()# 表格为4行11列# '购买方’，内容，none,none,none,none,'密码区’，密码,none,none,none# 货物名，none,规格，单位，数量，单价，none,none,金额，税率,税额# '价税合计’，none,金额，none,none,none,none,none,none，none，none# '销售方’，内容，none,none,none,none,'备注’，备注,none,none,none# 购买方 purchaser = table[0][1].replace(' ', '')purchaser_name = re.search(r'名称(:|：)(.+)', purchaser)invoice.purchaser_name = purchaser_name.group(2) if purchaser_name else ''purchaser_tax_number = re.search(r'纳税人识别号(:|：)(.+)', purchaser)invoice.purchaser_tax_number = purchaser_tax_number.group(2) if purchaser_tax_number else ''purchaser_address = re.search(r'地址、电话(:|：)(.+)', purchaser)invoice.purchaser_address = purchaser_address.group(2) if purchaser_address else ''purchaser_bank = re.search(r'开户行及账号(:|：)(.+)', purchaser)invoice.purchaser_bank = purchaser_bank.group(2) if purchaser_bank else ''
导出数据到excel使用openpyxl可以很简单地将识别到的发票数据导出到excel文件。 workbook = openpyxl.Workbook()sheet=workbook[workbook.sheetnames[0]]# 导出开票日期、发票代码、发票号码、校验码、购买方名称和税号、销售方名称和税号、价格、税率、税额、价税合计、备注sheet.append(['开票日期','发票代码','发票号码','校验码','购买方名称','购买方税号','销售方名称','销售方税号','价格','税率','税额','价税合计','备注'])for i in range(row): invoice = invoices[i] sheet.append([invoice.date,invoice.code,invoice.number,invoice.check_code,invoice.purchaser_name,invoice.purchaser_tax_number,invoice.seller_name,invoice.seller_tax_number,invoice.total_amount,invoice.tax_rate,invoice.total_tax,invoice.total,invoice.remark])workbook.save(output_path)
导出表格示例如下图： 合并发票文件由于pdfplumber不能很好的编辑PDF文件，这里我们使用PyPDF4来处理PDF的合并，代码也很简单： from PyPDF4 import PdfFileMergermerger = PdfFileMerger()for invoice_path in invoice_paths: merger.append(invoice_path)merger.write(output_path)merger.close()
为了节省纸张，有些公司会在一张A4纸打印2张发票，这里我们不去实现两张发票合并到一个页面的功能，这个可以在文件打印的时候选择一页打印多张PDF。 源码最后，干货必须带源码~ python版本为3.8，需要安装的依赖包如下requirements.txt： pdfplumber~=0.6.1PyPDF4~=1.27.0openpyxl~=3.0.7
invoice.py import pdfplumberfrom PyPDF4 import PdfFileMergerimport openpyxlimport re,time,osclass Invoice: def __init__(self): # 发票类型、发票号码、开票日期、机器编号、发票代码、校验码 self.type=self.number=self.date=self.machine_number=self.code=self.check_code = '' # 收款人、复核、开票人 self.payee=self.reviewer=self.drawer = '' # 购买方名称、纳税人识别号、地址电话、开户行及账号 self.purchaser_name=self.purchaser_tax_number=self.purchaser_address=self.purchaser_bank = '' # 密码 self.password = '' # 合计金额、合计税额、税率、价税合计 self.total_amount=self.total_tax=self.tax_rate=self.total = '' # 销售方名称、纳税人识别号、地址电话、开户行及账号 self.seller_name=self.seller_tax_number=self.seller_address=self.seller_bank = '' # 备注 self.remark = '' # 解析PDF格式电子发票 @staticmethod def read_invoice(pdf_file: str) -> 'Invoice': invoice = Invoice() try: with pdfplumber.open(pdf_file) as pdf: # 读取第一页 first_page = pdf.pages[0] # 读取文本 text = first_page.extract_text().replace(' ', '') # print(text) if '专用发票' in text: invoice.type = '专票' elif '普通发票' in text: invoice.type = '普票' else: raise Exception('未知发票类型或非发票文件') # 提取发票表格上方内容 invoice.number = re.search(r'发票号码(:|：)(\d+)', text).group(2) invoice.date = re.search(r'开票日期(:|：)(.*)', text).group(2) invoice.machine_number = re.search(r'机器编号(:|：)(\d+)', text).group(2) invoice.code = re.search(r'发票代码(:|：)(\d+)', text).group(2) invoice.check_code = re.search(r'校验码(:|：)(\d+)', text).group(2) # 提取发票表格下方内容，全在一行里 match = re.search(r'.*收款人(:|：)(.*)复核(:|：)(.*)开票人(:|：)(.*)销售', text) invoice.payee = match.group(2) invoice.reviewer = match.group(4) invoice.drawer = match.group(6) # 读取表格 table = first_page.extract_table() # 表格为4行11列 # '购买方’，内容，none,none,none,none,'密码区’，密码,none,none,none # 货物名，none,规格，单位，数量，单价，none,none,金额，税率,税额 # '价税合计’，none,金额，none,none,none,none,none,none，none，none # '销售方’，内容，none,none,none,none,'备注’，备注,none,none,none if table and len(table)==4: # 购买方 purchaser = table[0][1].replace(' ', '') purchaser_name = re.search(r'名称(:|：)(.+)', purchaser) invoice.purchaser_name = purchaser_name.group(2) if purchaser_name else '' purchaser_tax_number = re.search(r'纳税人识别号(:|：)(.+)', purchaser) invoice.purchaser_tax_number = purchaser_tax_number.group(2) if purchaser_tax_number else '' purchaser_address = re.search(r'地址、电话(:|：)(.+)', purchaser) invoice.purchaser_address = purchaser_address.group(2) if purchaser_address else '' purchaser_bank = re.search(r'开户行及账号(:|：)(.+)', purchaser) invoice.purchaser_bank = purchaser_bank.group(2) if purchaser_bank else '' # 密码区 invoice.password = table[0][7].replace('\n', '') # 合计金额、税额 invoice.total_amount = table[1][8].split('\n')[-1].replace('￥', '').replace(' ', '').replace(',', '') invoice.total_amount = float(invoice.total_amount) # 注意有的发票税额为0是'*',无法直接转成数值 invoice.total_tax = table[1][10].split('\n')[-1].replace('￥', '').replace(' ', '').replace('*', '0').replace(',', '') invoice.total_tax = float(invoice.total_tax) if invoice.total_tax else 0 # 税率，一般一张发票中货品税率一致;也可以用(总税额/总金额)计算税率 invoice.tax_rate = table[1][9].split('\n')[-1].replace(' ', '').replace('%', '').replace('*', '0') invoice.tax_rate = float(invoice.tax_rate)/100 if invoice.tax_rate else 0 # invoice.tax_rate = invoice.total_tax / invoice.total_amount # 价税合计,解析或计算 invoice.total = re.search(r'.+￥(.+)', table[2][2]).group(1).replace(' ', '').replace(',', '') invoice.total = float(invoice.total) # invoice.total = invoice.total_tax + invoice.total_amount # 销售方 seller = table[3][1].replace(' ', '') invoice.seller_name = re.search(r'名称(:|：)(.+)', seller).group(2) invoice.seller_tax_number = re.search(r'纳税人识别号(:|：)(.+)', seller).group(2) seller_address = re.search(r'地址、电话(:|：)(.+)', seller) invoice.seller_address = seller_address.group(2) if seller_address else '' seller_bank = re.search(r'开户行及账号(:|：)(.+)', seller) invoice.seller_bank = seller_bank.group(2) if seller_bank else '' # 备注 invoice.remark = table[3][7].replace('\n', '') except Exception as e: print(pdf_file, e) return invoice #导出到excel @staticmethod def export_to_excel(invoices:'list[Invoice]', output_path:str): row = len(invoices) if invoices else 0 if row == 0: print('没有可导出的数据') return try: workbook = openpyxl.Workbook() sheet=workbook[workbook.sheetnames[0]] # 导出开票日期、发票代码、发票号码、校验码、购买方名称和税号、销售方名称和税号、价格、税率、税额、价税合计、备注 sheet.append(['开票日期','发票代码','发票号码','校验码','购买方名称','购买方税号','销售方名称','销售方税号','价格','税率','税额','价税合计','备注']) for i in range(row): invoice = invoices[i] sheet.append([invoice.date,invoice.code,invoice.number,invoice.check_code,invoice.purchaser_name,invoice.purchaser_tax_number,invoice.seller_name,invoice.seller_tax_number,invoice.total_amount,invoice.tax_rate,invoice.total_tax,invoice.total,invoice.remark]) workbook.save(output_path) except Exception as e: print('导出到excel失败', e) # 合并pdf @staticmethod def merge_pdf(invoice_paths:'list[str]', output_path:str): if len(invoice_paths) == 0: print('没有可合并的pdf') return try: merger = PdfFileMerger() for invoice_path in invoice_paths: merger.append(invoice_path) merger.write(output_path) merger.close() except Exception as e: print('合并pdf失败', e) if __name__ == '__main__': # 发票所在文件夹，使用绝对路径 path = r'E:\playground\python_tools\pdf' # 输出文件路径 output_path = os.path.join(path, 'output') if not os.path.exists(output_path): os.makedirs(output_path) # 发票内容列表 invoices = [] # 发票文件路径列表 invoice_paths = [] #列出目录的下所有文件 lists = os.listdir(path) for item in lists: if item.endswith('.pdf'): item = os.path.join(path, item) invoice = Invoice.read_invoice(item) # 仅保存解析成功的pdf if invoice and invoice.type: invoices.append(invoice) invoice_paths.append(item) # 导出发票内容到excel Invoice.export_to_excel(invoices, f'{output_path}/invoice_{time.strftime('%Y%m%d_%H%M%S', time.localtime())}.xlsx') # 合并发票到一个pdf Invoice.merge_pdf(invoice_paths, f'{output_path}/merged_invoice_{time.strftime('%Y%m%d_%H%M%S', time.localtime())}.pdf')
|
