代码

#!/usr/bin/env python
# -*- coding: utf-8 -*- """
pip install pdfminer3k
pip install openpyxl
pip install pandas
pip install numpy
""" import datetime
import os
import re import pandas as pd
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LTTextBoxHorizontal, LAParams
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfinterp import PDFTextExtractionNotAllowed
from pdfminer.pdfparser import PDFParser, PDFDocument current_time = str(datetime.datetime.now().year) + "年" + str(datetime.datetime.now().month) + "月" + str(
datetime.datetime.now().day) + "日" def from_pdf_to_txt(read_file, page_start=0, page_end=0):
"""
:param read_file: str. 注意后缀名是".pdf"
:param write_file: str. 注意后缀名填".txt"
:param page_start: int
:param page_end: int
:return:
""" # 以二进制读模式打开
origin_pdf_file = open(read_file, 'rb')
# 用文件对象来创建一个pdf文档分析器
parser = PDFParser(origin_pdf_file)
# 创建一个pdf文档
doc = PDFDocument()
# 连接分析器与文档对象,这个语句比较有意思,相互set对方进去
parser.set_document(doc)
doc.set_parser(parser) # 提供初始化密码.如果pdf没有密码,就传入一个空参数
doc.initialize() # 检测文档是否提供txt转换,不提供就忽略
if not doc.is_extractable:
# 如果pdf不支持提取,则直接报错
raise PDFTextExtractionNotAllowed
else:
# 创建pdf资源管理器 来管理共享资源
srcmgr = PDFResourceManager() # 创建一个pdf设备对象
device = PDFPageAggregator(srcmgr, laparams=LAParams())
# 创建一个pdf解释器对象
interpreter = PDFPageInterpreter(srcmgr, device)
# 循环遍历列表,每次处理一个page的内容
pages = list(doc.get_pages())
if page_end == 0:
page_end = len(pages) results = '' for i in range(page_start, page_end):
interpreter.process_page(pages[i]) # 接受该页面的LTPage对象 layout = device.get_result()
# 这里返回的是一个LTPage对象,里面存放着这个page解析出的各种对象
# 一般包括LTTextBox,LTFigure,LTImage,LTTextBoxHorizontal等等
# 想要获取文本就取它的text属性,即x.get_text()
# 获取text属性 for x in layout:
if isinstance(x, LTTextBoxHorizontal):
# with open(write_file, 'a', encoding='utf-8') as f:
string = x.get_text().replace('\n', '')
string = string.replace(":", '')
string = string.replace(":", '')
results = results + string.replace(' ', '') # f.write(results) # 最后关闭原始pdf文件
origin_pdf_file.close()
return results #
def re_text(bt, text):
m1 = re.search(bt, text)
if not m1 is None:
reText = m1[0]
return reText def get_pdf(dirpath):
pdf_file = []
for root, subdirs, filenames in os.walk(dirpath):
for filename in filenames:
if filename.endswith('.pdf'):
filepath = os.path.join(root, filename)
pdf_file.append(filepath)
return pdf_file def get_text(dirpath, xlfilename):
results = []
filenames = get_pdf(dirpath)
for filename in filenames:
pdftext = from_pdf_to_txt(filename, 0, 1) # print(pdftext) cont = {} cont['平台'] = "京东" # 获取订单号
bt1 = '(?<=订单号)\d+'
rt1 = re_text(bt1, pdftext)
cont['订单号'] = rt1
cont['备注号码'] = None if not rt1:
bt1 = '\d+号码\d+'
rt1 = re_text(bt1, pdftext)
rt1 = rt1.split("号码")[1]
cont['备注号码'] = rt1 # 获取发票抬头
bt2 = '\d+[\u4e00-\u9fa5]+'
rt2 = re_text(bt2, pdftext) # print("1-rt2",rt2)
bt2 = '[\u4e00-\u9fa5]+'
rt2 = re_text(bt2, rt2)
# print("2-rt2", rt2)
if "公司" not in rt2:
rt2 = "个人" cont['发票抬头'] = rt2 # 获取发票金额
bt3 = '-?\d+(\.\d+)?小写'
rt3 = re_text(bt3, pdftext.replace("(", "").replace(")", ""))
rt3 = rt3.replace("小写", "")
cont['发票金额'] = rt3 # 获取发票代码
bt4 = '(?<=发票代码)\d+'
rt4 = re_text(bt4, pdftext)
cont['发票代码'] = rt4 # 获取发票号码
bt5 = '(?<=发票号码)\d+'
rt5 = re_text(bt5, pdftext)
cont['发票号码'] = rt5 # 获取开票日期
bt6 = '(?<=开票日期)\d+'
rt6 = re_text(bt6, pdftext)
rt6 = rt6[0:4] + "年" + rt6[4:6] + "月" + rt6[6:] + "日"
cont['开票日期'] = rt6 cont['创建时间'] = current_time cont['最后修改时间'] = current_time results.append(cont) # print(results) pf = pd.DataFrame(results) order = ["平台", "订单号", "备注号码", "发票抬头", "发票金额", "发票代码", "发票号码", "开票日期", "创建时间", "最后修改时间"] # 指定列的顺序
pf = pf[order]
file_path = pd.ExcelWriter(xlfilename) # 打开excel文件
# 替换空单元格
pf.fillna(' ', inplace=True)
# 输出
pf.to_excel(file_path, encoding='utf-8', index=False, sheet_name="sheet1")
file_path.save() if __name__ == '__main__':
xlfilename = '发票.xlsx'
dirpath = 'C:\\Users\\william\\Desktop\\20210319\\发票'
get_text(dirpath, xlfilename)

三种发票样式

红线画的是需要提取出来的数据





使用python读取京东pdf发票信息导出到excel表格中的更多相关文章

  1. python 用xlwt包把数据导出到excel表中

    def write_excel(): f = xlwt.Workbook() #创建工作簿 ''' 创建第一个sheet: sheet1 ''' sheet1 = f.add_sheet(u'shee ...

  2. PHP 导出到Excel表格中

    /** * 导出excel * @throws \PHPExcel_Exception * @throws \PHPExcel_Reader_Exception * @throws \PHPExcel ...

  3. 从数据库的表导出到Excel表格中【让客户端下载的Excel】

    原文发布时间为:2008-10-11 -- 来源于本人的百度文章 [由搬家工具导入] 这个例子是从gridview中导出到Excel,可以举一反三,可以直接从数据库中取值放在DataSet中,然后再从 ...

  4. Python实现数据库一键导出为Excel表格

    依赖 Python2711 xlwt MySQLdb 数据库相关 连接 获取字段信息 获取数据 Excel基础 workbook sheet 案例 封装 封装之后 测试结果 总结 数据库数据导出为ex ...

  5. 办公利器!用Python批量识别发票并录入到Excel表格

    辰哥今天来分享一篇办公干货文章:用Python批量识别发票并录入到Excel表格.对于财务专业等学生或者公司财务人员来说,将报账发票等汇总到excel简直就是一个折磨. 尤其是到年底的时候,公司的财务 ...

  6. python读取excel表格中的数据

    使用python语言实现Excel 表格中的数据读取,需要用到xlrd.py模块,实现程序如下: import xlrd #导入xlrd模块 class ExcelData(): def __init ...

  7. java连接MongoDB查询导出为excel表格

    背景 因为项目需求.每一个星期须要统计每一个公众号7天的訪问数,月底就须要统计一个月的訪问数,40多个公众号.每次手动统计都须要花费1个小时,总之是一项无技术耗时耗神的手工活. 于是.想写个程序来统计 ...

  8. 利用java反射机制实现读取excel表格中的数据

    如果直接把excel表格中的数据导入数据库,首先应该将excel中的数据读取出来. 为了实现代码重用,所以使用了Object,而最终的结果是要获取一个list如List<User>.Lis ...

  9. js导出excel表格中较长数字串会变成科学计数法问题

    在做项目中,遇到导出excel表格时,银行账户号数字过长,导出的数字串变为计数法形式,如下图: 网上搜到解决方法,粘贴到这以供学习.不断更新. 原博地址:http://www.cnblogs.com/ ...

随机推荐

  1. markdown练习显示

    1.[markdown学习网址1]https://sspai.com/post/25137 2.[markdown学习网址1]https://www.runoob.com/markdown/md-pa ...

  2. day03_1_idea教程

    # idea使用教程 # 一.idea相关概念介绍 ## 1.1 IDE概念介绍 集成开发环境(IDE,Integrated Development Environment)是用于提供程序开发环境的应 ...

  3. Lambda表达式无参数无返回值的练习和Lambda表达式有参数有返回值的练习

    题目: 给定一个厨子Cook接口,内容唯一的抽象方法makeFood,且无参数.无返回值.如下: public interface Cook{ void makeFood(); } 在下面的代碼中,使 ...

  4. 20220724-Java的封装相关

    目录 含义 常见使用方法 个人理解 含义 封装 (encapsulation) 指隐藏对象的属性和实现细节,仅对外公开接口,控制在程序中属性的读取和修改的访问级别. 常见使用方法 class Pers ...

  5. 飞书前端提到的竞态问题,在 Android 上怎么解决?

    请点赞关注,你的支持对我意义重大. Hi,我是小彭.本文已收录到 GitHub · AndroidFamily 中.这里有 Android 进阶成长知识体系,有志同道合的朋友,关注公众号 [彭旭锐] ...

  6. 【面试题】为什么有时用Vue.use()?及Vue.use()的作用及原理是什么?

    Vue.use()的作用及原理 点击打开视频讲解 在Vue中引入使用第三方库通常我们都会采用import的形式引入进来 但是有的组件在引入之后又做了Vue.use()操作 有的组件引入进来又进行了Vu ...

  7. Redis 09 基数

    参考源 https://www.bilibili.com/video/BV1S54y1R7SB?spm_id_from=333.999.0.0 版本 本文章基于 Redis 6.2.6 概述 Redi ...

  8. MyBatis-Plus 代码生成

    MyBatis-Plus官网的代码生成器配置不是特别全,在此整理了较为完整的配置,供自己和大家查阅学习. // 代码生成器 AutoGenerator mpg = new AutoGenerator( ...

  9. ipv6临时地址

    关闭ipv6临时地址 win+r输入cmd进入后输入代码 netsh interface ipv6 setprivacy state=disable 控制面板中找到网卡禁用后在启用 win+r输入cm ...

  10. 【manim】3b1b的"Almost" Fourier Transform复刻

    最近在做Fourier Transform的内容,记录一下今天下午的成果. 本文代码全部自行编写,需要math and music项目完整工程可以在gayhub上获取.(现在还没弄完,就先不发了.) ...