Python提取PDF发票信息保存Excel文件并制作EXE程序

前言

通过本篇文章可学习pdf发票信息的提取，内容保存至Excel，了解命令图像工具Gooey，以及如何将python文件打包为exe程序

背景

现在电子发票越来越普遍，各公司开票形式已基本无纸化。目前所在公司的情况是，每个人自己报账，需要将发票信息(发票号/金额)填如K3系统进行流程申请，另外将电子发票打印为纸质并贴票后找领导签字及审批K3的流程；之后在将纸质单据送至财务审批。如果财务发现数据填写不正确，就会将流程和单据打回来，又要重新找领导签字审批，相当麻烦。

分析

为了减少报账被打回来的情况，我们先分析，整个报账过程中，存在的问题

下载回来的发票文件命名不规范不容易识别
如：04500160011131347550.pdf

填K3时需要复制发票号和金额，还要选择发票类型
每次要打开pdf发票复制发票号和金额

发票可能存在错误情况：如公司名称或纳税人识别号不正确
每次还要检查一下

优化

一开始的想法是，做一个程序，识别发票信息并提供复制按钮，方便复制到k3。自动检查发票信息是否完整正确，公司名称和纳税人识别号是否正确，如不正确则提示错误，另外自动将文件重名称，及一键打印功能。
不过由于对Python的GUI还不大熟悉，就改了方式：将发票信息提取至Excel，在自己到Excel上复制信息和检查发票是否完整，另外将文件重命名为开票公司+金额的形式

最终效果

实现

读取pdf发票

使用pdfplumber，安装命令pip install pdfplumber，

import pdfplumber
import re
import os


def re_text(bt, text):
    m1 = re.search(bt, text)
    if m1 is not None:
        return re_block(m1[0])


def re_block(text):
    return text.replace(' ', '').replace('　', '').replace('）', '').replace(')', '').replace('：', ':')


def get_pdf(dir_path):
    pdf_file = []
    for root, sub_dirs, file_names in os.walk(dir_path):
        for name in file_names:
            if name.endswith('.pdf'):
                filepath = os.path.join(root, name)
                pdf_file.append(filepath)
    return pdf_file


def read():
    filenames = get_pdf('C:\Users\Administrator\Desktop\a')  # 修改为自己的文件目录
    for filename in filenames:
        print(filename)
        with pdfplumber.open(filename) as pdf:
            first_page = pdf.pages[0]
            pdf_text = first_page.extract_text()
            if '发票' not in pdf_text:
                continue
            # print(pdf_text)
            print('--------------------------------------------------------')
            print(re_text(re.compile(r'[\u4e00-\u9fa5]+电子普通发票.*?'), pdf_text))
            t2 = re_text(re.compile(r'[\u4e00-\u9fa5]+专用发票.*?'), pdf_text)
            if t2:
                print(t2)
            # print(re_text(re.compile(r'发票代码(.*\d+)'), pdf_text))
            print(re_text(re.compile(r'发票号码(.*\d+)'), pdf_text))
            print(re_text(re.compile(r'开票日期(.*)'), pdf_text))
            print(re_text(re.compile(r'名\s*称\s*[:：]\s*([\u4e00-\u9fa5]+)'), pdf_text))
            print(re_text(re.compile(r'纳税人识别号\s*[:：]\s*([a-zA-Z0-9]+)'), pdf_text))
            price = re_text(re.compile(r'小写.*(.*[0-9.]+)'), pdf_text)

            print(price)
            company = re.findall(re.compile(r'名.*称\s*[:：]\s*([\u4e00-\u9fa5]+)'), pdf_text)
            if company:
                print(re_block(company[len(company)-1]))
            print('--------------------------------------------------------')


read()

通过上述代码可以实现对pdf发票的内容识别和输出功能，完整的功能请通过学习本文后续的内容自主实现。

写入Excel

使用xlwt写Excel文件，安装命令pip install xlwt，一个简单的例子如下

import xlwt

# 创建工作簿
wb = xlwt.Workbook()
# 创建表单
sh = wb.add_sheet('sheet 1')
# 写入数据
sh.write(0, 1, '姓名')
# 保存
wb.save('test.xls')

创建图像界面

使用Gooey创建GUI图像界面，安装命令pip install Gooey
官网地址：https://github.com/chriskiehl/Gooey 目前是：15.4k stars
这里对Gooey的适用情况做一个说明，Gooey适用于命令行的图形工具，也就是只做输入(有各种输入/选择框)和输出的情况，不适用于做界面展示，无法添加自定义按钮，如button等。使用print就能将输出内容显示到GUI图形界面上
一个简单的例子

from gooey import Gooey, GooeyParser


@Gooey(program_name="简单的实例")
def main():
    parser = GooeyParser(description="第一个示例!")
    parser.add_argument('文件路径', widget="FileChooser")  # 文件选择框
    parser.add_argument('日期', widget="DateChooser")  # 日期选择框
    args = parser.parse_args()  # 接收界面传递的参数
    print(args)


if__name__ == '__main__':
    main()

打包为exe文件

使用pyinstaller将代码打包为exe文件
安装命令pip install pyinstaller
打包命令pyinstaller -F xxxxx.py -w (xxxxx.py改为具体的.py文件名)
等待打包完成，在代码目录的会生成dist文件夹，打开后可以看到exe程序

注意：程序有中文输出的请查看该文章，避免打包后程序无法正常运行https://www.jianshu.com/p/6b98cdbdcfae