应用场景
电子发票信息提取系统主要应用于以下场景：
企业财务部门：需要处理大量电子发票，提取关键信息（如发票代码、号码、金额等）并录入财务系统。
会计事务所：在进行审计或账务处理时，需要从大量发票中提取信息进行分析。
报销管理：员工提交电子发票进行报销时，系统自动提取信息，减少人工录入错误。
档案管理：对电子发票进行分类、归档和检索时，提取的信息可以作为索引。
数据分析：从大量发票中提取数据，进行企业支出分析、税务筹划等。
界面设计
系统采用图形化界面设计，主要包含以下几个部分：
-
文件选择区域：提供 "选择文件" 和 "选择文件夹" 按钮，方便用户批量选择电子发票文件。
-
文件列表区域：显示已选择的文件列表，支持多选操作。
-
处理选项区域：用户可以指定输出 Excel 文件的路径和名称。
-
进度显示区域：包含进度条和状态文本，实时显示处理进度。
-
操作按钮区域：提供 "开始处理"、"清空列表" 和 "退出" 等功能按钮。
界面设计简洁明了，符合用户操作习惯，同时提供了必要的提示和反馈信息。
详细代码步骤
import os
import re
import fitz # PyMuPDF
import pandas as pd
from pdf2image import convert_from_path
import pytesseract
from PIL import Image
import xml.etree.ElementTree as ET
import tkinter as tk
from tkinter import filedialog, messagebox, ttk
import threading
import logging
from datetime import datetime
# 配置日志
logging.basicConfig(
level=logging.INFO,
format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
filename='invoice_extractor.log'
)
logger = logging.getLogger(__name__)
class InvoiceExtractor:
def __init__(self):
# 初始化配置
self.config = {
'pdf': {
'invoice_code_pattern': r'发票代码：(\d+)',
'invoice_number_pattern': r'发票号码：(\d+)',
'date_pattern': r'日期：(\d{4}年\d{1,2}月\d{1,2}日)',
'amount_pattern': r'金额：￥(\d+\.\d{2})',
'tax_pattern': r'税额：￥(\d+\.\d{2})',
'total_pattern': r'价税合计：￥(\d+\.\d{2})'
},
'ofd': {
'invoice_code_xpath': './/TextObject[starts-with(text(), "发票代码")]/following-sibling::TextObject[1]',
'invoice_number_xpath': './/TextObject[starts-with(text(), "发票号码")]/following-sibling::TextObject[1]',
'date_xpath': './/TextObject[starts-with(text(), "日期")]/following-sibling::TextObject[1]',
'amount_xpath': './/TextObject[starts-with(text(), "金额")]/following-sibling::TextObject[1]',
'tax_xpath': './/TextObject[starts-with(text(), "税额")]/following-sibling::TextObject[1]',
'total_xpath': './/TextObject[starts-with(text(), "价税合计")]/following-sibling::TextObject[1]'
}
}
def extract_pdf_info(self, pdf_path):
"""提取PDF电子发票信息"""
try:
info = {
'文件路径': pdf_path,
'发票代码': '',
'发票号码': '',
'日期': '',
'金额': '',
'税额': '',
'价税合计': ''
}
with fitz.open(pdf_path) as doc:
text = ""
for page in doc:
text += page.get_text()
# 使用正则表达式提取信息
for key, pattern in self.config['pdf'].items():
match = re.search(pattern, text)
if match:
info[key.replace('_pattern', '')] = match.group(1)
# 如果无法通过文本提取，则使用OCR
if not all(info.values()):
images = convert_from_path(pdf_path)
ocr_text = ""
for image in images:
ocr_text += pytesseract.image_to_string(image, lang='chi_sim')
for key, pattern in self.config['pdf'].items():
if not info[key.replace('_pattern', '')]:
match = re.search(pattern, ocr_text)
if match:
info[key.replace('_pattern', '')] = match.group(1)
return info
except Exception as e:
logger.error(f"提取PDF {pdf_path} 信息失败: {str(e)}")
return None
def extract_ofd_info(self, ofd_path):
"""提取OFD电子发票信息"""
try:
info = {
'文件路径': ofd_path,
'发票代码': '',
'发票号码': '',
'日期': '',
'金额': '',
'税额': '',
'价税合计': ''
}
# OFD文件实际上是一个ZIP压缩包
# 这里简化处理，假设我们已经将OFD解压并获取到了XML文件
# 实际应用中需要处理OFD文件的解压缩和解析
# 以下代码仅为示例
# 假设我们已经获取到了OFD的XML内容
# tree = ET.parse(ofd_xml_path)
# root = tree.getroot()
# for key, xpath in self.config['ofd'].items():
# element = root.find(xpath)
# if element is not None:
# info[key.replace('_xpath', '')] = element.text
# 由于OFD格式的复杂性，这里使用OCR作为替代方案
images = convert_from_path(ofd_path)
ocr_text = ""
for image in images:
ocr_text += pytesseract.image_to_string(image, lang='chi_sim')
for key, pattern in self.config['pdf'].items():
if key in info:
match = re.search(pattern, ocr_text)
if match:
info[key.replace('_pattern', '')] = match.group(1)
return info
except Exception as e:
logger.error(f"提取OFD {ofd_path} 信息失败: {str(e)}")
return None
def batch_process_files(self, files, output_path):
"""批量处理文件并导出到Excel"""
results = []
total = len(files)
processed = 0
for file_path in files:
try:
file_ext = os.path.splitext(file_path)[1].lower()
if file_ext == '.pdf':
info = self.extract_pdf_info(file_path)
elif file_ext == '.ofd':
info = self.extract_ofd_info(file_path)
else:
logger.warning(f"不支持的文件类型: {file_path}")
continue
if info:
results.append(info)
except Exception as e:
logger.error(f"处理文件 {file_path} 时出错: {str(e)}")
processed += 1
yield processed, total
# 导出到Excel
if results:
df = pd.DataFrame(results)
df.to_excel(output_path, index=False)
logger.info(f"成功导出 {len(results)} 条记录到 {output_path}")
return True
else:
logger.warning("没有可导出的数据")
return False
class InvoiceExtractorGUI:
def __init__(self, root):
self.root = root
self.root.title("电子发票信息提取系统")
self.root.geometry("800x600")
self.extractor = InvoiceExtractor()
self.selected_files = []
self.is_processing = False
self.create_widgets()
def create_widgets(self):
"""创建GUI界面"""
# 创建主框架
main_frame = ttk.Frame(self.root, padding="10")
main_frame.pack(fill=tk.BOTH, expand=True)
# 文件选择区域
file_frame = ttk.LabelFrame(main_frame, text="文件选择", padding="10")
file_frame.pack(fill=tk.X, pady=5)
ttk.Button(file_frame, text="选择文件", command=self.select_files).pack(side=tk.LEFT, padx=5)
ttk.Button(file_frame, text="选择文件夹", command=self.select_folder).pack(side=tk.LEFT, padx=5)
self.file_count_var = tk.StringVar(value="已选择 0 个文件")
ttk.Label(file_frame, textvariable=self.file_count_var).pack(side=tk.RIGHT, padx=5)
# 文件列表区域
list_frame = ttk.LabelFrame(main_frame, text="文件列表", padding="10")
list_frame.pack(fill=tk.BOTH, expand=True, pady=5)
# 创建滚动条
scrollbar = ttk.Scrollbar(list_frame)
scrollbar.pack(side=tk.RIGHT, fill=tk.Y)
# 创建文件列表
self.file_listbox = tk.Listbox(list_frame, yscrollcommand=scrollbar.set, selectmode=tk.EXTENDED)
self.file_listbox.pack(fill=tk.BOTH, expand=True)
scrollbar.config(command=self.file_listbox.yview)
# 处理选项区域
options_frame = ttk.LabelFrame(main_frame, text="处理选项", padding="10")
options_frame.pack(fill=tk.X, pady=5)
ttk.Label(options_frame, text="输出文件:").pack(side=tk.LEFT, padx=5)
default_output = os.path.join(os.getcwd(), f"发票信息_{datetime.now().strftime('%Y%m%d_%H%M%S')}.xlsx")
self.output_path_var = tk.StringVar(value=default_output)
output_entry = ttk.Entry(options_frame, textvariable=self.output_path_var, width=50)
output_entry.pack(side=tk.LEFT, padx=5)
ttk.Button(options_frame, text="浏览", command=self.browse_output).pack(side=tk.LEFT, padx=5)
# 进度条区域
progress_frame = ttk.Frame(main_frame, padding="10")
progress_frame.pack(fill=tk.X, pady=5)
self.progress_var = tk.DoubleVar(value=0)
self.progress_bar = ttk.Progressbar(progress_frame, variable=self.progress_var, maximum=100)
self.progress_bar.pack(fill=tk.X)
self.status_var = tk.StringVar(value="就绪")
ttk.Label(progress_frame, textvariable=self.status_var).pack(anchor=tk.W)
# 按钮区域
button_frame = ttk.Frame(main_frame, padding="10")
button_frame.pack(fill=tk.X, pady=5)
self.process_button = ttk.Button(button_frame, text="开始处理", command=self.start_processing)
self.process_button.pack(side=tk.LEFT, padx=5)
ttk.Button(button_frame, text="清空列表", command=self.clear_file_list).pack(side=tk.LEFT, padx=5)
ttk.Button(button_frame, text="退出", command=self.root.quit).pack(side=tk.RIGHT, padx=5)
def select_files(self):
"""选择多个文件"""
if self.is_processing:
return
files = filedialog.askopenfilenames(
title="选择电子发票文件",
filetypes=[("PDF文件", "*.pdf"), ("OFD文件", "*.ofd"), ("所有文件", "*.*")]
)
if files:
self.selected_files = list(files)
self.update_file_list()
def select_folder(self):
"""选择文件夹"""
if self.is_processing:
return
folder = filedialog.askdirectory(title="选择包含电子发票的文件夹")
if folder:
pdf_files = [os.path.join(folder, f) for f in os.listdir(folder) if f.lower().endswith('.pdf')]
ofd_files = [os.path.join(folder, f) for f in os.listdir(folder) if f.lower().endswith('.ofd')]
self.selected_files = pdf_files + ofd_files
self.update_file_list()
def update_file_list(self):
"""更新文件列表显示"""
self.file_listbox.delete(0, tk.END)
for file_path in self.selected_files:
self.file_listbox.insert(tk.END, os.path.basename(file_path))
self.file_count_var.set(f"已选择 {len(self.selected_files)} 个文件")
def browse_output(self):
"""浏览输出文件位置"""
if self.is_processing:
return
output_file = filedialog.asksaveasfilename(
title="保存输出文件",
defaultextension=".xlsx",
filetypes=[("Excel文件", "*.xlsx"), ("所有文件", "*.*")]
)
if output_file:
self.output_path_var.set(output_file)
def clear_file_list(self):
"""清空文件列表"""
if self.is_processing:
return
self.selected_files = []
self.update_file_list()
def start_processing(self):
"""开始处理文件"""
if self.is_processing or not self.selected_files:
return
output_path = self.output_path_var.get()
if not output_path:
messagebox.showerror("错误", "请指定输出文件")
return
# 确认是否覆盖现有文件
if os.path.exists(output_path):
if not messagebox.askyesno("确认", "输出文件已存在，是否覆盖？"):
return
self.is_processing = True
self.process_button.config(state=tk.DISABLED)
self.status_var.set("正在处理...")
# 在单独的线程中处理文件
threading.Thread(target=self.process_files_thread, daemon=True).start()
def process_files_thread(self):
"""文件处理线程"""
try:
output_path = self.output_path_var.get()
progress = 0
total = len(self.selected_files)
for processed, total in self.extractor.batch_process_files(self.selected_files, output_path):
progress = (processed / total) * 100
self.progress_var.set(progress)
self.status_var.set(f"正在处理 {processed}/{total}")
self.root.update_idletasks()
self.progress_var.set(100)
self.status_var.set("处理完成")
messagebox.showinfo("成功", f"已成功处理 {total} 个文件\n结果已保存至: {output_path}")
except Exception as e:
logger.error(f"处理过程中出错: {str(e)}")
self.status_var.set("处理出错")
messagebox.showerror("错误", f"处理过程中出错: {str(e)}")
finally:
self.is_processing = False
self.process_button.config(state=tk.NORMAL)
def main():
"""主函数"""
try:
# 检查依赖库
import PyMuPDF
import pandas
import pdf2image
import pytesseract
from PIL import Image
# 创建GUI
root = tk.Tk()
app = InvoiceExtractorGUI(root)
root.mainloop()
except ImportError as e:
print(f"缺少必要的库: {str(e)}")
print("请安装所有依赖库: pip install PyMuPDF pandas pdf2image pytesseract pillow")
except Exception as e:
print(f"程序启动出错: {str(e)}")
logger.error(f"程序启动出错: {str(e)}")
if __name__ == "__main__":
main() 系统实现主要包含以下几个核心模块：
-
配置管理：设置 PDF 和 OFD 文件的信息提取规则，包括正则表达式模式和 OFD 的 XPath 表达式。
-
PDF 信息提取：使用 PyMuPDF 库读取 PDF 文本内容，通过正则表达式提取关键信息；如果文本提取失败，则使用 OCR 技术进行图像识别。
-
OFD 信息提取：OFD 文件结构复杂，本系统采用 OCR 技术作为主要提取方法，将 OFD 转换为图像后使用 pytesseract 进行文字识别。
-
批量处理：支持批量处理多个文件，并提供进度反馈。
-
数据导出：将提取的信息整理成 DataFrame，并导出为 Excel 文件。
-
图形界面：使用 tkinter 构建直观易用的图形界面，支持文件选择、处理选项设置和进度显示。
总结优化
该系统提供了一个基础的电子发票信息提取解决方案，具有以下优点：
-
通用性：支持 PDF 和 OFD 两种主流电子发票格式。
-
可扩展性：配置文件分离，易于添加新的发票格式或修改提取规则。
-
用户友好：图形界面操作简单，适合非技术人员使用。
-
日志记录：完整的日志记录，便于问题排查和系统优化。
然而，系统仍有以下可以优化的地方：
-
OFD 解析：当前使用 OCR 处理 OFD 文件效率较低，可以研究更高效的 OFD 解析库。
-
提取规则优化：针对不同类型的发票，可能需要定制化的提取规则，可考虑添加规则配置界面。
-
性能优化：对于大量文件的处理，可以引入多线程或异步处理提高效率。
-
数据验证：增加提取信息的验证机制，提高数据准确性。
-
用户体验：添加更多交互反馈，如文件预览、处理结果预览等功能。
通过不断优化和扩展，该系统可以满足更多场景的需求，提高电子发票信息处理的效率和准确性。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
