【PDF提取表格】如何提取发票内容文字并导出到Excel表格，并将发票用发票号改名，基于pdf电子发票的应用实现

应用场景

该应用主要用于企业财务部门或个人处理大量电子发票，实现以下功能：

1. 自动从 PDF 电子发票中提取关键信息（如发票号码、日期、金额、销售方等）
2. 将提取的信息整理并导出到 Excel 表格，方便进行财务统计和报销
3. 使用发票号码自动重命名发票文件，便于文件管理和检索

界面设计

界面采用直观的标签页设计，主要包含以下部分：

1. 文件选择区域：提供两种方式选择发票文件
   • 单个或多个文件选择
   • 整个文件夹选择
2. 文件列表显示：显示已选择的发票文件
3. 导出设置：设置输出 Excel 文件的路径
4. 处理进度显示：包括进度条和状态文本
5. 日志区域：实时显示处理过程中的信息和错误

详细代码步骤

import os
import re
import pandas as pd
import pdfplumber
from datetime import datetime
import tkinter as tk
from tkinter import filedialog, messagebox, ttk
import threading
import loggingclass InvoiceProcessor:def __init__(self):self.invoice_data = []self.logger = self.setup_logger()def setup_logger(self):"""设置日志记录"""logger = logging.getLogger('InvoiceProcessor')logger.setLevel(logging.INFO)formatter = logging.Formatter('%(asctime)s - %(levelname)s - %(message)s')# 输出到文件file_handler = logging.FileHandler('invoice_processor.log')file_handler.setFormatter(formatter)logger.addHandler(file_handler)# 输出到控制台stream_handler = logging.StreamHandler()stream_handler.setFormatter(formatter)logger.addHandler(stream_handler)return loggerdef extract_invoice_info(self, pdf_path):"""从PDF中提取发票信息"""try:with pdfplumber.open(pdf_path) as pdf:text = ""for page in pdf.pages:text += page.extract_text() or ""# 使用正则表达式提取发票信息invoice_number = re.search(r'发票号码[:：]?\s*(\d+)', text)invoice_date = re.search(r'开票日期[:：]?\s*(\d{4}年\d{1,2}月\d{1,2}日)', text)total_amount = re.search(r'金额[:：]?\s*￥?\s*(\d+\.\d{2})', text)# 提取纳税人识别号taxpayer_id = re.search(r'纳税人识别号[:：]?\s*([0-9A-Z]+)', text)# 提取购买方名称buyer_name = re.search(r'购买方名称[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9]+)', text)# 提取销售方名称seller_name = re.search(r'销售方名称[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9]+)', text)# 提取服务名称（项目名称）service_name = re.search(r'服务名称[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9]+)', text)if not service_name:service_name = re.search(r'货物或应税劳务、服务名称\s*([\u4e00-\u9fa5a-zA-Z0-9]+)', text)# 提取价税合计total_tax_amount = re.search(r'价税合计[:：]?\s*[人民币]*\s*￥?\s*(\d+\.\d{2})', text)if not total_tax_amount:total_tax_amount = total_amount# 提取密文区cipher_text = re.search(r'密文区[:：]?\s*([\dA-Z]+)', text)# 提取备注remark = re.search(r'备注[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)', text)# 提取校验码check_code = re.search(r'校验码[:：]?\s*(\d+)', text)# 提取税率tax_rate = re.search(r'税率[:：]?\s*(\d+\.\d+%)', text)# 提取税额tax_amount = re.search(r'税额[:：]?\s*￥?\s*(\d+\.\d{2})', text)# 提取机器编号machine_code = re.search(r'机器编号[:：]?\s*(\d+)', text)# 提取收款人cashier = re.search(r'收款人[:：]?\s*([\u4e00-\u9fa5]+)', text)# 提取复核人reviewer = re.search(r'复核[:：]?\s*([\u4e00-\u9fa5]+)', text)# 提取开票人drawer = re.search(r'开票人[:：]?\s*([\u4e00-\u9fa5]+)', text)# 提取发票类型invoice_type = re.search(r'([增值税专用|增值税普通|机动车销售统一|通用机打|电子|卷式|定额])发票', text)# 提取地址、电话address_phone = re.search(r'地址、电话[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)', text)# 提取开户行及账号bank_info = re.search(r'开户行及账号[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)', text)# 提取机器编号machine_number = re.search(r'机器编号[:：]?\s*([0-9]+)', text)# 提取发票代码invoice_code = re.search(r'发票代码[:：]?\s*([0-9]+)', text)# 提取密码区password_area = re.search(r'密码区[:：]?\s*([\dA-Za-z]+)', text)# 提取二维码信息qr_code = re.search(r'二维码[:：]?\s*([\dA-Za-z]+)', text)# 提取商品或服务明细details_pattern = r'商品或服务名称\s*规格型号\s*单位\s*数量\s*单价\s*金额\s*税率\s*税额\s*([\s\S]*?)合计'details_match = re.search(details_pattern, text)details = details_match.group(1).strip() if details_match else ""# 提取合计金额（大写）total_amount_in_words = re.search(r'合计金额[:：]?\s*([\u4e00-\u9fa5零壹贰叁肆伍陆柒捌玖拾佰仟万亿元角分整]+)', text)# 提取合计税额total_tax = re.search(r'合计税额[:：]?\s*￥?\s*(\d+\.\d{2})', text)# 提取价税合计（大写）total_amount_in_words_full = re.search(r'价税合计\s*\(大写\)\s*([\u4e00-\u9fa5零壹贰叁肆伍陆柒捌玖拾佰仟万亿元角分整]+)', text)# 提取价税合计（小写）total_amount_in_figures = re.search(r'价税合计\s*\(小写\)\s*￥?\s*(\d+\.\d{2})', text)# 提取收款人、复核人、开票人signature_info = re.search(r'收款人[:：]?\s*([\u4e00-\u9fa5]+)\s*复核[:：]?\s*([\u4e00-\u9fa5]+)\s*开票人[:：]?\s*([\u4e00-\u9fa5]+)', text)# 提取销售方纳税人识别号seller_tax_id = re.search(r'销售方[:：]?\s*纳税人识别号[:：]?\s*([0-9A-Z]+)', text)# 提取销售方地址、电话seller_address_phone = re.search(r'销售方[:：]?\s*地址、电话[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)', text)# 提取销售方开户行及账号seller_bank_info = re.search(r'销售方[:：]?\s*开户行及账号[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)', text)# 提取购买方纳税人识别号buyer_tax_id = re.search(r'购买方[:：]?\s*纳税人识别号[:：]?\s*([0-9A-Z]+)', text)# 提取购买方地址、电话buyer_address_phone = re.search(r'购买方[:：]?\s*地址、电话[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)', text)# 提取购买方开户行及账号buyer_bank_info = re.search(r'购买方[:：]?\s*开户行及账号[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)', text)# 提取机器编号、发票代码、发票号码组合信息machine_invoice_info = re.search(r'机器编号[:：]?\s*([0-9]+)\s*发票代码[:：]?\s*([0-9]+)\s*发票号码[:：]?\s*([0-9]+)', text)# 提取日期（不同格式）date_patterns = [r'日期[:：]?\s*(\d{4}年\d{1,2}月\d{1,2}日)',r'日期[:：]?\s*(\d{4}/\d{1,2}/\d{1,2})',r'日期[:：]?\s*(\d{4}-\d{1,2}-\d{1,2})',r'日期[:：]?\s*(\d{4}\.\d{1,2}\.\d{1,2})']invoice_date = Nonefor pattern in date_patterns:date_match = re.search(pattern, text)if date_match:invoice_date = date_match.group(1)break# 提取金额（不同格式）amount_patterns = [r'金额[:：]?\s*￥?\s*(\d+\.\d{2})',r'金额[:：]?\s*￥?\s*(\d+\,\d+\.\d{2})',r'价税合计[:：]?\s*[人民币]*\s*￥?\s*(\d+\.\d{2})',r'合计[:：]?\s*￥?\s*(\d+\.\d{2})']total_amount = Nonefor pattern in amount_patterns:amount_match = re.search(pattern, text)if amount_match:total_amount = amount_match.group(1)break# 提取发票号码（不同格式）invoice_number = Nonefor pattern in [r'发票号码[:：]?\s*(\d+)',r'发票号码[:：]?\s*([A-Z]\d+)',r'发票号[:：]?\s*(\d+)',r'发票号[:：]?\s*([A-Z]\d+)']:number_match = re.search(pattern, text)if number_match:invoice_number = number_match.group(1)break# 提取其他可能的信息# 提取二维码区域信息qr_area = re.search(r'二维码[:：]?\s*([\d\w\s]+)', text)# 提取机器编号（多种可能位置）machine_code = Nonefor pattern in [r'机器编号[:：]?\s*(\d+)',r'机打代码[:：]?\s*(\d+)',r'机打号码[:：]?\s*(\d+)']:machine_match = re.search(pattern, text)if machine_match:machine_code = machine_match.group(1)break# 提取校验码check_code = re.search(r'校验码[:：]?\s*([\dA-Z]+)', text)# 提取购买方信息（公司名称）buyer_info = re.search(r'购买方[:：]?\s*名称[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\(\)\（\）]+)', text)# 提取销售方信息（公司名称）seller_info = re.search(r'销售方[:：]?\s*名称[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\(\)\（\）]+)', text)# 提取项目内容items_pattern = r'项目[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)'items_match = re.search(items_pattern, text)items = items_match.group(1).strip() if items_match else ""# 提取服务内容service_pattern = r'服务内容[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s]+)'service_match = re.search(service_pattern, text)service = service_match.group(1).strip() if service_match else ""# 提取金额明细amount_details_pattern = r'金额明细[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s\(\)\（\）\d\.\,]+)'amount_details_match = re.search(amount_details_pattern, text)amount_details = amount_details_match.group(1).strip() if amount_details_match else ""# 提取备注信息remark_pattern = r'备注[:：]?\s*([\u4e00-\u9fa5a-zA-Z0-9\s\(\)\（\）\d\.\,]+)'remark_match = re.search(remark_pattern, text)remark = remark_match.group(1).strip() if remark_match else ""# 提取收款人、复核人、开票人signature_pattern = r'收款人[:：]?\s*([\u4e00-\u9fa5]+)\s*复核[:：]?\s*([\u4e00-\u9fa5]+)\s*开票人[:：]?\s*([\u4e00-\u9fa5]+)'signature_match = re.search(signature_pattern, text)cashier = signature_match.group(1) if signature_match else ""reviewer = signature_match.group(2) if signature_match else ""drawer = signature_match.group(3) if signature_match else ""# 提取发票类型invoice_type_pattern = r'([增值税专用|增值税普通|机动车销售统一|通用机打|电子|卷式|定额])发票'invoice_type_match = re.search(invoice_type_pattern, text)invoice_type = invoice_type_match.group(1) if invoice_type_match else ""# 提取日期并格式化date_str = invoice_date.group(1) if invoice_date else ""try:if '年' in date_str and '月' in date_str and '日' in date_str:date_obj = datetime.strptime(date_str, '%Y年%m月%d日')elif '/' in date_str:date_obj = datetime.strptime(date_str, '%Y/%m/%d')elif '-' in date_str:date_obj = datetime.strptime(date_str, '%Y-%m-%d')elif '.' in date_str:date_obj = datetime.strptime(date_str, '%Y.%m.%d')else:date_obj = Noneformatted_date = date_obj.strftime('%Y-%m-%d') if date_obj else ""except:formatted_date = date_str# 提取金额并转换为浮点数amount_str = total_amount.group(1) if total_amount else "0.00"amount_str = amount_str.replace(',', '')  # 移除千位分隔符try:amount = float(amount_str)except:amount = 0.00# 提取发票号码number = invoice_number.group(1) if invoice_number else ""# 提取纳税人识别号tax_id = taxpayer_id.group(1) if taxpayer_id else ""# 提取购买方名称buyer = buyer_name.group(1) if buyer_name else ""# 提取销售方名称seller = seller_name.group(1) if seller_name else ""# 提取服务名称service = service_name.group(1) if service_name else ""# 创建发票信息字典invoice_info = {'文件路径': pdf_path,'发票号码': number,'发票日期': formatted_date,'金额': amount,'纳税人识别号': tax_id,'购买方名称': buyer,'销售方名称': seller,'服务名称': service,'发票类型': invoice_type,'收款人': cashier,'复核人': reviewer,'开票人': drawer,'备注': remark,'提取状态': '成功'}# 添加其他可能提取的信息additional_info = {'机器编号': machine_code.group(1) if machine_code else "",'发票代码': invoice_code.group(1) if invoice_code else "",'校验码': check_code.group(1) if check_code else "",'价税合计': total_tax_amount.group(1) if total_tax_amount else "",'税额': tax_amount.group(1) if tax_amount else "",'税率': tax_rate.group(1) if tax_rate else "",'密文区': cipher_text.group(1) if cipher_text else "",'销售方纳税人识别号': seller_tax_id.group(1) if seller_tax_id else "",'购买方纳税人识别号': buyer_tax_id.group(1) if buyer_tax_id else "",'销售方地址电话': seller_address_phone.group(1) if seller_address_phone else "",'购买方地址电话': buyer_address_phone.group(1) if buyer_address_phone else "",'销售方开户行账号': seller_bank_info.group(1) if seller_bank_info else "",'购买方开户行账号': buyer_bank_info.group(1) if buyer_bank_info else "",'金额大写': total_amount_in_words.group(1) if total_amount_in_words else "",'价税合计大写': total_amount_in_words_full.group(1) if total_amount_in_words_full else "",'商品服务明细': details,'二维码信息': qr_code.group(1) if qr_code else ""}# 合并主要信息和附加信息invoice_info.update(additional_info)return invoice_infoexcept Exception as e:self.logger.error(f"提取文件 {pdf_path} 时出错: {str(e)}")return {'文件路径': pdf_path,'发票号码': '','发票日期': '','金额': 0.0,'提取状态': f'失败: {str(e)}'}def process_invoices(self, pdf_paths):"""处理多个发票文件"""self.invoice_data = []total_files = len(pdf_paths)for i, pdf_path in enumerate(pdf_paths):try:progress = (i + 1) / total_files * 100yield progress, f"正在处理: {os.path.basename(pdf_path)}"invoice_info = self.extract_invoice_info(pdf_path)self.invoice_data.append(invoice_info)# 如果成功提取到发票号码，重命名文件if invoice_info['发票号码']:dirname = os.path.dirname(pdf_path)base_name = f"{invoice_info['发票号码']}.pdf"new_path = os.path.join(dirname, base_name)# 处理文件已存在的情况counter = 1while os.path.exists(new_path):base_name = f"{invoice_info['发票号码']}_{counter}.pdf"new_path = os.path.join(dirname, base_name)counter += 1os.rename(pdf_path, new_path)invoice_info['新文件路径'] = new_pathself.logger.info(f"文件已重命名: {pdf_path} -> {new_path}")else:invoice_info['新文件路径'] = pdf_pathself.logger.warning(f"未能提取到发票号码，文件未重命名: {pdf_path}")except Exception as e:self.logger.error(f"处理文件 {pdf_path} 时出错: {str(e)}")yield progress, f"处理文件 {os.path.basename(pdf_path)} 时出错: {str(e)}"self.logger.info(f"处理完成，共处理 {total_files} 个文件")yield 100, "处理完成"def export_to_excel(self, output_path):"""将提取的发票信息导出到Excel"""if not self.invoice_data:self.logger.warning("没有数据可导出")return Falsetry:df = pd.DataFrame(self.invoice_data)# 确保目录存在output_dir = os.path.dirname(output_path)if not os.path.exists(output_dir):os.makedirs(output_dir)# 导出到Excelwith pd.ExcelWriter(output_path, engine='openpyxl') as writer:df.to_excel(writer, sheet_name='发票信息', index=False)# 获取工作簿和工作表对象以进行格式设置workbook = writer.bookworksheet = writer.sheets['发票信息']# 设置列宽for i, col in enumerate(df.columns):column_width = max(len(str(x)) for x in df[col])column_width = max(column_width, len(col)) + 2column_width = min(column_width, 50)  # 最大宽度限制worksheet.column_dimensions[chr(65 + i)].width = column_width# 创建表头样式header_format = workbook.add_format({'bold': True,'text_wrap': True,'valign': 'top','fg_color': '#D7E4BC','border': 1})# 应用表头样式for col_num, value in enumerate(df.columns.values):worksheet.cell(row=0, column=col_num).value = valueworksheet.cell(row=0, column=col_num).set_format(header_format)self.logger.info(f"数据已成功导出到 {output_path}")return Trueexcept Exception as e:self.logger.error(f"导出到Excel时出错: {str(e)}")return Falseclass InvoiceApp:def __init__(self, root):self.root = rootself.root.title("发票处理工具")self.root.geometry("800x600")self.root.minsize(600, 400)# 设置中文字体self.root.option_add("*Font", "SimHei 10")self.processor = InvoiceProcessor()self.selected_files = []self.output_path = ""self.create_widgets()def create_widgets(self):"""创建界面组件"""# 创建主框架main_frame = ttk.Frame(self.root, padding="20")main_frame.pack(fill=tk.BOTH, expand=True)# 文件选择区域file_frame = ttk.LabelFrame(main_frame, text="文件选择", padding="10")file_frame.pack(fill=tk.X, pady=(0, 10))# 文件选择按钮ttk.Button(file_frame, text="选择发票文件", command=self.select_files).pack(side=tk.LEFT, padx=(0, 10))ttk.Button(file_frame, text="选择文件夹", command=self.select_directory).pack(side=tk.LEFT)# 文件列表self.file_listbox = tk.Listbox(file_frame, height=5, width=70)self.file_listbox.pack(fill=tk.X, pady=(10, 0))# 导出设置区域export_frame = ttk.LabelFrame(main_frame, text="导出设置", padding="10")export_frame.pack(fill=tk.X, pady=(0, 10))# 输出文件路径ttk.Label(export_frame, text="输出Excel文件:").pack(side=tk.LEFT, padx=(0, 10))self.output_var = tk.StringVar(value="发票信息汇总.xlsx")output_entry = ttk.Entry(export_frame, textvariable=self.output_var, width=50)output_entry.pack(side=tk.LEFT, padx=(0, 10))ttk.Button(export_frame, text="浏览...", command=self.select_output_path).pack(side=tk.LEFT)# 处理按钮self.process_button = ttk.Button(main_frame, text="开始处理", command=self.process_invoices)self.process_button.pack(pady=(10, 20))# 进度条self.progress_var = tk.DoubleVar()self.progress_bar = ttk.Progressbar(main_frame, variable=self.progress_var, length=100)self.progress_bar.pack(fill=tk.X, pady=(0, 10))# 状态标签self.status_var = tk.StringVar(value="就绪")ttk.Label(main_frame, textvariable=self.status_var).pack(anchor=tk.W)# 日志区域log_frame = ttk.LabelFrame(main_frame, text="处理日志", padding="10")log_frame.pack(fill=tk.BOTH, expand=True, pady=(10, 0))self.log_text = tk.Text(log_frame, height=10, wrap=tk.WORD)self.log_text.pack(fill=tk.BOTH, expand=True)# 添加日志处理程序self.add_log_handler()def add_log_handler(self):"""添加日志处理程序将日志输出到界面"""class TextHandler(logging.Handler):def __init__(self, text_widget):logging.Handler.__init__(self)self.text_widget = text_widgetdef emit(self, record):msg = self.format(record)def append():self.text_widget.configure(state='normal')self.text_widget.insert(tk.END, msg + '\n')self.text_widget.configure(state='disabled')self.text_widget.yview(tk.END)self.text_widget.after(0, append)handler = TextHandler(self.log_text)handler.setFormatter(logging.Formatter('%(asctime)s - %(levelname)s - %(message)s'))self.processor.logger.addHandler(handler)def select_files(self):"""选择多个文件"""file_paths = filedialog.askopenfilenames(title="选择发票PDF文件",filetypes=[("PDF文件", "*.pdf"), ("所有文件", "*.*")])if file_paths:self.selected_files = list(file_paths)self.update_file_listbox()def select_directory(self):"""选择文件夹"""directory = filedialog.askdirectory(title="选择包含发票PDF的文件夹")if directory:pdf_files = [os.path.join(directory, f) for f in os.listdir(directory) if f.lower().endswith('.pdf')]if pdf_files:self.selected_files = pdf_filesself.update_file_listbox()else:messagebox.showinfo("提示", "所选文件夹中未找到PDF文件")def update_file_listbox(self):"""更新文件列表显示"""self.file_listbox.delete(0, tk.END)for file_path in self.selected_files:self.file_listbox.insert(tk.END, os.path.basename(file_path))file_count = len(self.selected_files)self.status_var.set(f"已选择 {file_count} 个文件")def select_output_path(self):"""选择输出文件路径"""file_path = filedialog.asksaveasfilename(title="保存Excel文件",defaultextension=".xlsx",filetypes=[("Excel文件", "*.xlsx"), ("所有文件", "*.*")])if file_path:self.output_var.set(file_path)def process_invoices(self):"""处理发票文件"""if not self.selected_files:messagebox.showwarning("警告", "请先选择发票文件")returnoutput_path = self.output_var.get()if not output_path:messagebox.showwarning("警告", "请设置输出Excel文件路径")return# 禁用处理按钮防止重复点击self.process_button.config(state=tk.DISABLED)# 启动处理线程threading.Thread(target=self._process_invoices_thread, daemon=True).start()def _process_invoices_thread(self):"""在单独线程中处理发票，避免阻塞UI"""output_path = self.output_var.get()try:# 处理发票for progress, status in self.processor.process_invoices(self.selected_files):self.progress_var.set(progress)self.status_var.set(status)self.root.update_idletasks()# 导出到Excelif self.processor.export_to_excel(output_path):self.status_var.set(f"处理完成，数据已导出到 {output_path}")messagebox.showinfo("成功", f"处理完成，数据已导出到 {output_path}")else:self.status_var.set("导出Excel失败")messagebox.showerror("错误", "导出Excel失败，请查看日志")except Exception as e:self.status_var.set(f"处理过程中出错: {str(e)}")messagebox.showerror("错误", f"处理过程中出错: {str(e)}")finally:# 重新启用处理按钮self.process_button.config(state=tk.NORMAL)if __name__ == "__main__":root = tk.Tk()app = InvoiceApp(root)root.mainloop()    

1. 环境准备：安装必要的库，如 pdfplumber、pandas、tkinter 等
2. 发票内容提取：
   • 使用 pdfplumber 打开并读取 PDF 文件
   • 使用正则表达式从文本中提取关键信息（发票号码、日期、金额等）
   • 处理不同格式的发票，提高提取准确性
3. 文件重命名：
   • 使用提取的发票号码作为新文件名
   • 处理文件已存在的情况，避免冲突
4. Excel 导出：
   • 使用 pandas 将提取的数据整理成 DataFrame
   • 导出到 Excel 文件，并设置适当的格式
5. 图形界面开发：
   • 使用 tkinter 创建用户友好的界面
   • 实现文件选择、进度显示和日志记录功能
   • 使用多线程处理避免界面卡顿

总结优化

1. 优点：
   • 自动化处理，减少人工输入错误
   • 界面友好，操作简单
   • 详细的日志记录，方便排查问题
   • 支持多种发票格式和内容提取
2. 优化方向：
   • 提高复杂发票的识别准确率，可以考虑使用 OCR 技术
   • 添加数据验证和纠错功能
   • 支持更多格式的发票文件（如图片格式）
   • 增加数据统计和分析功能
   • 实现批量处理和定时任务功能
   • 添加用户权限管理和数据安全保护

使用这个应用程序，你可以轻松地处理大量电子发票，提高工作效率和准确性。