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。

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
-
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。


















