PDF电子发票信息提取

1. 字段说明

本程序通过两种方法从PDF电子发票提取信息。

1.1 电子发票左上角的二维码

通过二维码直接读是确保能获取到的，且确保正确，包括以下信息：

• 发票代码
• 发票号码
• 开票日期
• 校验码
• 金额（不含税）
• 销售方纳税人识别号（或有）

1.2 PDF文本

通过将PDF转化为文本并进行正则匹配。虽然在近百张发票上测试过，但是由于不同商家生成的电子发票格式千奇百怪，不保证能获取到。

• 开票地
• 价税合计（小写）
• 价税合计（大写）
• 密码区
• 购买方纳税人识别号

2. 安装说明

本程序仅在MacOS搭配python3上测试过。
程序依赖包括zbarlight、PyMuPDF用于二维码识别法，pdfminer.six用于PDF文本正则法。然而这三个无法简单地通过pip安装。具体安装方法参见：

• zbarlight：https://pypi.org/project/zbarlight/
• PyMuPDF：https://pypi.org/project/PyMuPDF/
• pdfminer：https://euske.github.io/pdfminer/index.html
  其他依赖通过pip安装即可：

pip install pillow pandas

3. 使用说明

需要提供含PDF电子发票的文件夹路径和输出的excel文件名：

python3 main.py -i /path/to/pdf/invoice -o output.xlsx

4. 使用Docker

因为这个环境配置起来太麻烦，所以我创建了一个Docker方式。
第一步：build环境

docker image build -t mupdf .

第二步：执行本地程序

docker container run --rm -it  -v /Users/ron/Documents/docker_images:/code mupdf python3 main.py -i invoice -o output.xlsx