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。
Python处理PDF的库很多，有PyMuPDF、PyPDF2、pdfminer、pdfplumber等，每个库都有不同的特点（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：
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 PdfFileMerger
merger = 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。
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~=0.6.1
PyPDF4~=1.27.0
openpyxl~=3.0.7
invoice.py
import pdfplumber
from PyPDF4 import PdfFileMerger
import openpyxl
import re,time,os
class 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')
