使用python读取京东pdf发票信息导出到excel表格中
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
- 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 ...
- PHP 导出到Excel表格中
/** * 导出excel * @throws \PHPExcel_Exception * @throws \PHPExcel_Reader_Exception * @throws \PHPExcel ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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
- Ubuntu修改网卡名
vim /etc/udev/rules.d/70-persistent-net.rules 添加以下内容: SUBSYSTEM=="net", ACTION=="add& ...
- MySQL经典50题
1.查询01课程比02课程成绩高的学生的信息及课程分数 #1.1查询01课程与02课程的课程表: select student_id, score as c1_score from score whe ...
- Unity3D学习笔记9——加载纹理
目录 1. 概述 2. 详论 2.1. Resources方式 2.2. API方式 2.3. Web方式 1. 概述 理论上,Unity中加载纹理并没有什么难度,只需要将图片放置在Assets文件夹 ...
- Eslint 项目笔记
1.代码下一行不要验证报错 代码的上一行打上注释 <--eslint-disable-next-line-->
- Harbor企业级私服Docker镜像仓库搭建及应用
一.简介 Docker Hub作为Docker默认官方公共镜像,如果想要自己搭建私有镜像,Harbor是企业级镜像库非常好的选择. 所谓私有仓库,也就是在本地(局域网)搭建的一个类似公共仓库的东西,搭 ...
- 题解【AtCoder - CODE FESTIVAL 2017 qual B - D - 101 to 010】
题目:https://atcoder.jp/contests/code-festival-2017-qualb/tasks/code_festival_2017_qualb_d 题意:给一个 01 串 ...
- 开源MyBatisGenerator组件源码分析
开源MyBatisGenerator组件源码分析 看源码前,先了解Generator能做什么? MyBatisGenerator是用来生成mybatis的Mapper接口和xml文件的工具,提供多种启 ...
- Apache DolphinScheduler 源码剖析之 Worker 容错处理流程
今天给大家带来的分享是 Apache DolphinScheduler 源码剖析之 Worker 容错处理流程 DolphinScheduler源码剖析之Worker容错处理流程 Worker容错流程 ...
- MySQL-报错:Error when bootstrapping CMake:
在进行MySQL的源码安装的时候,系统上找不到合适的C编译器,GCC忘了装,莫慌,直接 yum命令装上gcc,还有gcc-C++没装的话后面也会提示错误,一起装上,,, [root@localhos ...
- PyTorch中的CUDA操作
CUDA(Compute Unified Device Architecture)是NVIDIA推出的异构计算平台,PyTorch中有专门的模块torch.cuda来设置和运行CUDA相关操作.本 ...