用pdfplumber提取发票文本更可靠，因其能解析字符坐标、表格线框和字体属性，对带边框的金额/税号识别率高；PyPDF2在扫描件或复杂布局下易漏字、乱序。
用 PyPDF2 + pdfplumber 提取发票文本更可靠
PyPDF2 读纯文本 PDF 效果尚可，但多数电子发票是扫描件或含复杂布局，PyPDF2 会漏字、乱序甚至返回空字符串；pdfplumber 能解析字符坐标、表格线框和字体属性，对带边框的金额/税号单元格识别率高得多。实际测试中，同一张增值税专用发票，PyPDF2 提取税号成功率约 40%，pdfplumber 稳定在 95% 以上（前提是发票未严重倾斜或压盖）。
安装命令：
pip install pdfplumber openpyxl pandas
注意：pdfplumber 依赖 pdfminer.six，若报 ImportError: cannot import name 'PDFTextExtractionNotAllowed'，需降级：
pip install "pdfminer.six==20220510"
正则匹配税号和金额时必须加边界与容错
发票税号通常是 15/17/20 位数字+字母组合（如 91110000MA00123456），金额带千分位和小数点（如 ¥1,234.56 或 1234.56元）。直接用 re.search(r'\d{15,20}', text) 极易误匹配日期、电话、行号等干扰数字。
立即学习“Python免费学习笔记（深入）”；
Excel/WPS 公式大师。用大白话描述需求，直接给出可用的公式、函数组合和数据处理方案，并解释每一段的作用。当用户提到"Excel 公式"、"表格函数"、"VLOOKUP 怎么用"、"XLOOKUP"、"LET"、"LAMBDA"、"动态数组"、"这个公式报错了"、"#N/A"、"#REF!"、"
- 税号推荐模式：
r'[A-Z0-9]{15,20}(?![A-Z0-9])'（后置否定断言防连写） - 金额推荐模式：
r'¥?\s*(\d{1,3}(?:,\d{3})*(?:\.\d{2})?|\d+(?:\.\d{2})?)\s*(?:元|￥|$)'，并用float(re.sub(r'[^\d.]', '', matched))清洗后转数值 - 务必对每页结果做去重：
list(set(matches))，避免同一张发票多页重复提取
批量处理 PDF 时要跳过加密与损坏文件
企业收到的发票 PDF 常有密码保护（如“发票查验”水印页），或因邮件传输损坏。不加判断直接 pdfplumber.open() 会抛出 pdfplumber.utils.PDFSyntaxError 或卡死。
- 先用
try/except捕获PDFSyntaxError和UnicodeDecodeError - 检查文件头是否为
%PDF-：with open(path, 'rb') as f: header = f.read(5).decode('latin-1')，非%PDF-直接跳过 - 设置超时：用
pdfplumber.open(path, pages=[0], laparams={'all_texts': True}, timeout=10)仅解析首页且限制耗时
存入 Excel 要用 openpyxl 而非 pandas.to_excel
pandas.to_excel() 默认覆盖整个工作表，批量追加时会清空历史数据；且对中文列名、合并单元格、冻结窗格等无控制力。发票处理常需保留模板格式（如带公司抬头、打印边框），必须用 openpyxl 直接操作工作表。
关键步骤：
- 用
Workbook() if not exists else load_workbook()打开文件 - 获取活动表：
ws = wb.active，再用ws.append([tax_id, amount, filename])追加行 - 金额列设为数值格式：
ws.cell(row=ws.max_row, column=2).number_format = '¥#,##0.00' - 保存前检查行数，超 10 万行建议分文件，避免 Excel 打开崩溃
真正难的不是提取，是发票版式千差万别——税务局新版电子发票把税号放在右上角小字号灰色水印里，而某些扫描件的“金额”二字被盖章完全遮挡。这类情况得结合 OCR（如 pytesseract）补位，但那就不再是纯 PDF 解析了。
