讲师中心 微信公众号

工具推荐

视频效率加速
Laper
Laper

剧本策划到成片协作

updream

一键生成高质量推广成片

剧云
剧云

中文短剧剧本制作平台

立刻MV
立刻MV

低成本歌曲 MV、视频生成

如何在Python中自动识别并提取发票PDF中的关键字段?

落伟大大_1362

落伟大大_1362

发布时间:2026-11-16 09:25:29

|

527人浏览过

|

来源于php中文网

原创

pdfplumber是纯文字型发票PDF的首选工具,能保留表格结构和位置信息;扫描件需先用pdf2image+pytesseract OCR;字段提取推荐分项正则匹配,并严格校验格式、类型与业务逻辑。

如何在python中自动识别并提取发票pdf中的关键字段?

用 PyPDF2 或 pdfplumber 读发票文本,别硬刚 fitz(除非要坐标)

纯文字型发票 PDF(无扫描图、未加密、字体嵌入正常),pdfplumber 是首选。它能保留表格结构和位置信息,比 PyPDF2 的 extract_text() 更可靠;而 fitz(PyMuPDF)虽快,但默认返回的是“流式文本”,字段顺序容易错乱,除非你明确需要坐标定位(比如识别盖章位置)。

常见错误:直接用 PyPDF2 读扫描件或 OCR 后的 PDF——结果是空字符串或乱码。这类 PDF 实际是图片,必须先 OCR。

  • 优先试 pdfplumber.open("invoice.pdf") + page.extract_text(),看能否拿到干净文本
  • 若返回空或全是换行符,大概率是扫描件,跳到下个副标题
  • 避免在循环里反复 open 同一个 PDF 文件,用上下文管理器一次性加载

扫描发票必须过 OCR,pytesseract + pdf2image 是最小可行组合

OCR 流程固定:PDF → 每页转 PNG/JPEG → 逐图识别文字。绕不开 pdf2image(依赖 poppler)和 pytesseract(依赖 tesseract-ocr 引擎)。

容易踩的坑:

立即学习“Python免费学习笔记(深入)”;

Python 环境工具专业版
Python 环境工具专业版

Python 环境工具专业版功能概述Python 环境工具专业版是一项面向实际任务的技能。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。核心要点使用时应结合输入条件选择合适的执行方式,核对必要参数、依赖环境与输出内容,并按原始要求处理异常情况。该技能适合需要稳定复用相关能力的场景,可作为自动化工作流的一部分,也便于后续检查、调整和扩展。执行完成后建议检查结果是否符合预期,并保留必要记录。使用与执行同时注意输入完整性、执行条件和输出可用性。从功能定位来看,该技能

下载
  • pdf2image 在 Windows 上安装 poppler 很麻烦,建议用预编译包(如 poppler-utils 的 Windows 版本),并把 poppler_path 显式传给 convert_from_path()
  • pytesseract.image_to_string(img) 默认识别英文,中文需加 lang="chi_sim",且 tesseract 必须已安装对应语言包
  • 发票常有水印、边框线、印章,会干扰 OCR。可先对图像做二值化(cv2.threshold)或去噪(cv2.fastNlMeansDenoising),但别过度处理,否则数字“0”变“8”

用正则硬匹配字段时,re.search() 比 re.findall() 更稳

发票字段(如发票代码、金额、开票日期)格式相对固定,正则仍是最快落地方式。但别写“一网打尽”式大正则,容易漏匹配或跨行错位。

实操建议:

  • 针对每个字段单独写 pattern,例如:re.search(r"发票代码[::\s]*(\d{12})", text),注意兼容中文冒号、全角空格
  • 金额字段慎用 \d+,要用 [\d,.\s]+ 并后处理(.replace(",", "").strip()),否则“1,234.56”会截断
  • 日期字段优先匹配标准格式(\d{4}年\d{1,2}月\d{1,2}日),再 fallback 到 \d{4}-\d{1,2}-\d{1,2},别指望一条正则通吃所有地区写法
  • 如果文本中存在多个“金额:”,用 re.search() 找第一个最可能的(通常是“价税合计”旁那个),而非 findall 全取

字段提取后务必做类型校验和业务逻辑检查

识别出来不等于可用。比如“金额”字段 OCR 成 “1234.5O”(O 是零的误识),正则仍能抓出“1234.5O”,但后续计算会崩。

关键动作:

  • 金额转 float 前,先用 re.sub(r"[^0-9.-]", "", s) 清洗非数字字符,再尝试转换,捕获 ValueError
  • 发票代码长度必须为 12 或 10(依国税局规范),长度不对直接标为异常
  • 开票日期不能晚于当前日期(系统时间),也不能早于 2010 年(合理业务范围),否则记日志告警
  • 不要假设字段一定存在——有些电子发票不显“收款人”,有些简版不写“复核”,缺失字段留空比填错强

真正难的不是识别,是让提取结果经得起财务对账。多一层清洗,少一次人工返工。

相关文章

极轻PDF
极轻PDF

专业的在线PDF工具,支持PDF编辑、转换、合并、压缩等多种功能,操作简单,处理高效,满足日常办公与学习中的PDF处理需求。

下载

相关标签:

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

热门AI工具

更多
切问学术

切问学术是一款AI论文写作工具,复旦大学NLP团队推出的AI学术智能体。

超级简历WonderCV

一款AI办公效率工具,主要用于免费求职简历模版下载制作,应届生职场人必备简历制作神器,适合需要提升相关任务效率的用户。

二狗PPT
二狗PPT Hot

一款AI演示文稿工具,主要用于专为中式职场打造的AI PPT生成工具,适合需要提升相关任务效率的用户。

PixPix
PixPix Hot

PixPix是一款面向电商视觉生产的AI商品图生成工具。

DeepSeek

DeepSeek是一款面向对话、写作、编程和推理场景的AI大模型工具。

咔片AIPPT

一款在线AI演示文稿制作工具,可根据主题和内容需求辅助生成PPT结构与页面,提高演示材料制作效率。

VibeKnow
VibeKnow Hot

一款AI视频创作工具,主要用于全球首个AI知识视频创作平台,文档、文章、网页,一键生成视频,适合需要提升相关任务效率的用户。

WorkBuddy

一款AI办公效率工具,主要用于腾讯云推出的AI原生桌面智能体工作台,适合需要提升相关任务效率的用户。

豆包大模型

豆包大模型是一款由字节跳动推出的企业级大语言模型服务平台。

相关专题

更多
python打包成可执行文件
python打包成可执行文件

本专题为大家带来python打包成可执行文件相关的文章,大家可以免费的下载体验。

1931

2023.07.20

python能做什么
python能做什么

python能做的有:可用于开发基于控制台的应用程序、多媒体部分开发、用于开发基于Web的应用程序、使用python处理数据、系统编程等等。本专题为大家提供python相关的各种文章、以及下载和课程。

5464

2023.07.25

format在python中的用法
format在python中的用法

Python中的format是一种字符串格式化方法,用于将变量或值插入到字符串中的占位符位置。通过format方法,我们可以动态地构建字符串,使其包含不同值。php中文网给大家带来了相关的教程以及文章,欢迎大家前来阅读学习。

1889

2023.07.31

python教程
python教程

Python已成为一门网红语言,即使是在非编程开发者当中,也掀起了一股学习的热潮。本专题为大家带来python教程的相关文章,大家可以免费体验学习。

33277

2023.08.03

python环境变量的配置
python环境变量的配置

Python是一种流行的编程语言,被广泛用于软件开发、数据分析和科学计算等领域。在安装Python之后,我们需要配置环境变量,以便在任何位置都能够访问Python的可执行文件。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3907

2023.08.04

python eval
python eval

eval函数是Python中一个非常强大的函数,它可以将字符串作为Python代码进行执行,实现动态编程的效果。然而,由于其潜在的安全风险和性能问题,需要谨慎使用。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

3927

2023.08.04

scratch和python区别
scratch和python区别

scratch和python的区别:1、scratch是一种专为初学者设计的图形化编程语言,python是一种文本编程语言;2、scratch使用的是基于积木的编程语法,python采用更加传统的文本编程语法等等。本专题为大家提供scratch和python相关的文章、下载、课程内容,供大家免费下载体验。

1283

2023.08.11

python合并两个列表
python合并两个列表

Python是一种强大的编程语言,具有许多方便的功能和工具。在Python中,有多种方法可以合并两个列表。php中文网给大家带来了相关的教程以及文章,欢迎大家前来学习阅读。

616

2023.08.10

Go-Zero API开发使用教程
Go-Zero API开发使用教程

本专题聚焦Go-Zero的API开发,拆解.api描述文件的语法结构、路由与分组定义、参数绑定与校验规则,说明统一响应体、JWT鉴权、跨域与接口文档生成的落地方式,并给出网关聚合与接口测试的实践建议。

120

2026.11.12

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程
关于我们 免责申明 举报中心 意见反馈 讲师合作 广告合作 最新更新
php中文网:公益在线php培训,帮助PHP学习者快速成长!
关注服务号
PHP中文网订阅号
每天精选资源文章推送

Copyright 2014-2026 https://www.php.cn/ All Rights Reserved | php.cn