使用Python自动批量提取增值税发票信息并导出为Excel文件
要批量提取增值税发票的关键信息并将其导出为 Excel 文件，可以使用 Python 脚本结合 pdfplumber（用于解析 PDF 内容）、pandas（用于处理数据并导出 Excel）等库来实现。以下是实现这一目标的详细步骤。
1. 环境设置
首先，需要安装所需的 Python 库：
pip install pdfplumber pandas openpyxl
2. 编写 Python 脚本
import pdfplumber
import pandas as pd
import os# 要处理的PDF文件夹路径
pdf_folder = 'path_to_your_pdf_folder'
# 输出Excel文件路径
output_excel = 'output.xlsx'# 定义存储提取信息的列表
data = []# 遍历文件夹中的所有PDF文件
for filename in os.listdir(pdf_folder):if filename.endswith('.pdf'):pdf_path = os.path.join(pdf_folder, filename)with pdfplumber.open(pdf_path) as pdf:# 假设发票信息在第一页，解析第一页内容first_page = pdf.pages[0]text = first_page.extract_text()# 提取关键信息，下面是一些假设的示例正则表达式invoice_number = find_value_by_keyword(text, "发票号码")invoice_date = find_value_by_keyword(text, "开票日期")buyer_name = find_value_by_keyword(text, "购买方名称")buyer_tax_id = find_value_by_keyword(text, "购买方纳税人识别号")service_name = find_value_by_keyword(text, "货物或应税劳务、服务名称")quantity = find_value_by_keyword(text, "数量")unit_price = find_value_by_keyword(text, "单价")amount = find_value_by_keyword(text, "金额")tax_rate = find_value_by_keyword(text, "税率")tax_amount = find_value_by_keyword(text, "税额")total_amount = find_value_by_keyword(text, "价税合计")seller_name = find_value_by_keyword(text, "销售方名称")seller_tax_id = find_value_by_keyword(text, "销售方纳税人识别号")# 将提取的信息添加到列表中data.append({"PDF文件名": filename,"发票号码": invoice_number,"开票日期": invoice_date,"购买方名称": buyer_name,"购买方纳税人识别号": buyer_tax_id,"服务名称": service_name,"数量": quantity,"单价": unit_price,"金额": amount,"税率": tax_rate,"税额": tax_amount,"价税合计": total_amount,"销售方名称": seller_name,"销售方纳税人识别号": seller_tax_id})# 将数据导出到Excel
df = pd.DataFrame(data)
df.to_excel(output_excel, index=False)print(f"提取完成，结果已保存到 {output_excel}")def find_value_by_keyword(text, keyword):# 定义一个简单的提取函数，实际需要根据发票格式调整lines = text.split('\n')for i, line in enumerate(lines):if keyword in line:return line.replace(keyword, '').strip()return ""
3. 脚本说明
- PDF文件名: 使用
os.listdir遍历指定文件夹中的所有 PDF 文件。 - PDF解析: 使用
pdfplumber打开并读取 PDF 内容，假设发票内容位于第一页。 - 关键字提取: 使用
find_value_by_keyword函数从文本中提取关键信息，该函数可以根据实际情况调整正则表达式。 - 数据存储: 将提取的信息存储在列表中，最后将列表转换为 DataFrame 并导出为 Excel 文件。
4. 注意事项
- 发票格式: 此示例假设发票的格式是一致的，如果格式有变动，可能需要调整关键字提取的逻辑。
- 正则表达式: 如果发票内容较复杂，可以使用正则表达式进行更精准的匹配。
5. 运行脚本
将脚本保存为 .py 文件，修改 pdf_folder 路径为你的 PDF 文件夹路径，运行脚本后，提取的信息将会被导出为一个 Excel 文件。