夜雨聆风引言：告别手动录入，让Python自动处理发票
在财务报销、税务审计或日常对账中，处理堆积如山的PDF发票是一项极其繁琐且容易出错的任务。想象一下，你需要从几十甚至上百张发票中，逐一找出发票号码和价税合计（小写）金额，并录入Excel。这不仅耗时费力，还极易因视觉疲劳导致数据错位。
今天，我们将通过一个实战Python项目，彻底解决这个问题。我们将构建一个智能脚本，它能自动批量读取PDF发票文件，并精准提取两个核心信息：
- 发票号码
：如 NO12345678或发票号码：INV20250328001。 - 价税合计（小写）金额
：特别是匹配 （小写）¥267.97这种格式的精准金额。
本文提供的代码可直接运行，并附有详细的原理讲解和优化思路。无论你是Python初学者还是希望优化现有流程的开发者，都能从中获益。
一、项目目标与核心挑战
我们的目标是编写一个脚本，实现以下功能：
- 批量处理
：自动扫描指定文件夹下的所有PDF文件（可灵活过滤文件名，如仅处理含“高速票”的发票）。 - 精准提取
：利用正则表达式，从纷乱的PDF文本中，准确抓取发票号和以“（小写）¥”为标识的金额。 - 结果汇总
：统计处理成功的文件数、总金额，并识别出重复的发票号（防止重复报销）。 - 健壮性
：能优雅地处理无文本、提取失败、文件损坏等异常情况。
核心挑战在于：PDF中的文本布局千变万化，金额的表述方式多样（如“价税合计（小写）¥267.97”、“小写：¥267.97”、“合计：267.97元”）。我们的策略是设计一套优先级明确的正则表达式，优先匹配最精准的格式。
二、环境准备与工具安装
在开始编码前，我们需要安装核心的PDF文本提取库。
pip install pdfplumber为什么选择 pdfplumber？
相较于 PyPDF2，它在提取复杂版式PDF的文本时准确率更高。能较好地保持文本的自然顺序，这对后续的正则匹配至关重要。 API简单易用。
三、代码逐行精讲
下面，我们将深入剖析核心函数 extract_invoice_info_from_text。这是整个项目的“大脑”。
3.1 提取发票号码
发票号码通常是一串较长的数字或数字字母组合。我们设计了三个由精确到宽泛的正则模式：
def extract_invoice_info_from_text(invoice_text):# ... 初始化代码 ...# -------------------- 提取发票号码 --------------------invoice_patterns = [r'[发票]票[号碼码]{1,2}[:：\s]*([A-Za-z0-9]{8,20})', # 模式1：匹配“发票号码：”后的8-20位字符r'NO[:：.]?\s*([A-Za-z0-9]{8,20})', # 模式2：匹配“NO: ”或“NO.”后的8-20位字符r'\b[A-Za-z0-9]{8,20}\b' # 模式3：兜底，匹配任何8-20位数字字母组合]for pattern in invoice_patterns:match = re.search(pattern, invoice_text)if match:# 优先取分组1，若无分组则取整个匹配项result["invoice_number"] = match.group(1) if match.lastindex else match.group(0)break
策略解析：
- 模式1 (
[发票]票[号碼码]{1,2})：兼容“发票号码”、“发票号”、“發票號碼”等多种中文变体。 {1,2}匹配“号”或“号码”。 - 模式2 (
NO[:：.]?)：匹配英文编号前缀“NO”，后面可能跟冒号、中文冒号或点号。 - 模式3 (
\b[A-Za-z0-9]{8,20}\b)：最终的兜底策略。 \b表示单词边界，防止匹配到长字符串中的片段。注意：此模式可能误匹配其他长编号，因此优先级最低。
3.2 精准提取（小写）¥金额（核心优化）
这是本文的精华所在。我们的目标是优先捕获格式为“（小写）¥267.97”的金额。为此，我们设计了一个优先级分明的模式列表：
# -------------------- 提取【（小写）¥】后的精准金额（核心优化） --------------------amount_patterns = [# 优先级1：精准匹配（小写）¥XXX 格式（你的目标格式）r'[（\(]小写[）\)]\s*¥\s*([0-9]+\.?[0-9]*)', # 核心模式：匹配“(小写)¥267.97”# 变体1：价税合计（小写）¥267.97r'价税合计[（\(]小写[）\)]\s*¥\s*([0-9]+\.?[0-9]*)',# 变体2：（小写）：¥267.97r'[（\(]小写[）\)]\s*[:：]\s*¥\s*([0-9]+\.?[0-9]*)',# 优先级2：原（小写）后无¥符号的格式r'[（\(]小写[）\)]\s*[:：]?\s*([0-9]+\.?[0-9]*)',r'小写\s*[:：]\s*([0-9]+\.?[0-9]*)',# 优先级3：价税合计兜底r'价税[合計计]{1,2}[:：\s]*([0-9]+\.?[0-9]*)',# 优先级4：通用金额兜底r'¥\s*([0-9]+\.?[0-9]*)',r'([0-9]+\.?[0-9]*)[元圆]']for pattern in amount_patterns:match = re.search(pattern, invoice_text)if match:try:result["amount"] = float(match.group(1))except ValueError:result["amount"] = 0.0break
设计哲学：
- 优先级从高到低
：首先尝试最精确的格式 (小写)¥，如果匹配失败，再逐步放宽条件。 - 考虑格式变体
：中文括号 （）与英文括号()、有无空格、有无冒号:等常见差异。 - 健壮的捕获组
： ([0-9]+\.?[0-9]*)能匹配整数（如267）和小数（如267.97）。 - 安全转换
：使用 try...except包裹float()转换，防止意外文本导致程序崩溃。
3.3 处理单个PDF文件
process_pdf_invoice 函数负责打开PDF、提取所有页面文本，并调用上面的信息提取函数。
def process_pdf_invoice(pdf_path):try:with pdfplumber.open(pdf_path) as pdf:full_text = ""for page in pdf.pages:page_text = page.extract_text() or "" # 防止返回Nonefull_text += page_text + "\n"# ... 后续处理与状态判断 ...except Exception as e:return {"status": f"处理失败：{str(e)}", ...}
关键点：
使用 with语句确保文件正确关闭。page.extract_text() or ""确保即使某页无文本，也不会中断拼接。 全面的异常捕获，为每个文件提供独立的错误信息。
3.4 批量处理与智能汇总
batch_process_invoices 函数是批处理的指挥官。它新增了一个非常实用的功能：仅处理特定文件名的PDF。
def batch_process_invoices(folder_path):# ... 初始化统计变量 ...for filename in os.listdir(folder_path):# 核心修改：增加文件名过滤条件# if filename.lower().endswith(".pdf") and ("油票" in filename):if filename.lower().endswith(".pdf"): # 当前处理所有PDF，可按需修改file_path = os.path.join(folder_path, filename)invoice_info = process_pdf_invoice(file_path)# ... 统计成功、金额、重复发票号 ...
如何按需过滤？ 注释行 # if filename.lower().endswith(".pdf") and ("油票" in filename): 展示了如何仅处理文件名包含“油票”的PDF。你可以将其修改为 ("高速票" in filename) 或任何其他关键词，实现灵活的分类处理。
汇总功能：
success_count：统计成功提取了发票号和（小写）¥金额的文件数。 total_amount：累计所有成功文件的小写金额总和。 duplicate_numbers：找出出现次数大于1的发票号，有效防止重复报销。
四、实战演示：运行与结果
假设你的发票都放在 ./invoices/ 文件夹下。运行以下代码：
if __name__ == "__main__":folder_path = "./invoices/" # 修改为你的发票文件夹路径summary = batch_process_invoices(folder_path)print("=== 处理结果汇总 ===")print(f"扫描PDF总数: {summary['total_files']}")print(f"成功处理数: {summary['success_count']}")print(f"小写¥金额总计: {summary['total_lowercase_yuan_amount']}")print(f"重复发票号: {summary['duplicate_invoice_numbers']}")print("\n=== 所有发票详情 ===")for inv in summary["all_invoice_details"]:print(f"文件: {os.path.basename(inv['file_path'])}, 发票号: {inv['invoice_number']}, 金额: {inv['amount']}, 状态: {inv['status']}")
你将得到类似下面的清晰输出：
=== 处理结果汇总 ===扫描PDF总数: 15成功处理数: 12小写¥金额总计: 4587.36重复发票号: ['NO20241128001']=== 所有发票详情 ===文件: 高速票_001.pdf, 发票号: NO20241128001, 金额: 267.97, 状态: 处理成功文件: 高速票_002.pdf, 发票号: INV20241128002, 金额: 0.0, 状态: 未提取到（小写）¥后的金额...
五、优化与扩展思路
- 提升OCR能力
：对于扫描版PDF（图片型）， pdfplumber可能提取不到文本。可以集成pytesseract进行OCR识别。 - 更复杂的正则
：针对特定发票模板（如增值税专用发票），可以编写更精确的正则来提取购买方、销售方、税额等更多字段。 - 导出为Excel
：使用 pandas库，将all_invoice_details列表轻松转换为DataFrame并保存为Excel文件，方便财务人员核对。 - 图形化界面
：使用 PyQt或tkinter构建一个简单桌面应用，让非技术人员也能拖拽文件夹进行处理。 - 网络服务化
：使用 FastAPI搭建一个Web服务，支持上传PDF并返回结构化数据。
结语
通过这个项目，我们不仅实现了一个实用的发票信息提取工具，更深入掌握了正则表达式的优先级设计、PDF文本提取和批量文件处理的编程实践。代码结构清晰，功能模块化，你可以轻松地将其集成到自己的财务自动化流程中，或作为学习Python文本处理的经典案例。
自动化处理的第一步，就从精准提取“（小写）¥”后的金额开始。希望本文能为你打开一扇效率提升之门。
