如何在 Python 中從 PDF 中提取發票資料

如何在Python中從PDF中提取發票資料

1. 安裝用於從PDF發票中提取資料的Python程式庫。
2. 使用 PdfDocument.FromFile 方法打開PDF檔案。
3. 使用 ExtractAllText 方法從發票中提取所有資料。
4. 使用 print 方法列印從發票中提取的所有資料。
5. 從發票資料中提取特定資料。

1. IronPDF

IronPDF for Python 是一個強大的程式庫，使用Python作為Python應用程式與PDF文件之間的橋樑。 這個多功能工具為開發者提供了在Python專案中輕鬆建立、操作和操作PDF文件的方法。 以下是使IronPDF成為一個有價值資產的一些突出功能：

1. PDF生成： IronPDF 支援從頭開始動態生成PDF文件，允許開發者以程式方式建立具有自訂內容、樣式和佈局的PDF。
2. HTML到PDF轉換： 可以將HTML內容，包括網頁，轉換為高質量的PDF，保留原始HTML的佈局和樣式，這對於生成報告和文件特別有用。
3. PDF編輯： 開發者可以輕鬆編輯現有的PDF，如新增、修改或移除文字、圖片和互動元素，使其成為一個強大的文件操作工具。
4. PDF合併和分割： IronPDF 允許您將多個PDF文件合併為一個文件或將PDF分割為多個文件，提供在管理大量PDF時的靈活性。
5. PDF表單： 它支援建立和填寫互動式PDF表單，這對於需要使用者輸入和資料收集的應用程式非常理想。
6. 數位簽名： 可以為PDF文件新增數位簽名，確保您的文件的完整性和真實性，這對於法律和安全目的至關重要。
7. 從PDF中提取資料： IronPDF 提供提取功能來保護PDF中的資訊。

2. 設定環境

在Python中為IronPDF設置環境涉及幾個步驟，以確保您可以有效地使用該程式庫。 以下是一個逐步的指南：

1. 在PyCharm中建立一個新的Python專案並建立一個虛擬環境或使用現有的解釋器。
2. 通過在命令行終端中運行以下命令來安裝IronPDF：

pip install ironpdf

從命令行安裝IronPDF

3. 使用IronPDF從發票中提取資料

本節將了解如何使用Python庫IronPDF從發票格式和輸出格式中提取資料。 下面的程式碼將從發票中提取所有資料並在控制台中列印出來。

from ironpdf import PdfDocument

# Load the PDF using the PdfDocument.FromFile method
pdf = PdfDocument.FromFile("INV_2022_00001.pdf")

# Extract all text from the PDF
all_text = pdf.ExtractAllText()

# Print the extracted text
print(all_text)

from ironpdf import PdfDocument

# Load the PDF using the PdfDocument.FromFile method
pdf = PdfDocument.FromFile("INV_2022_00001.pdf")

# Extract all text from the PDF
all_text = pdf.ExtractAllText()

# Print the extracted text
print(all_text)

4. 從發票中提取特定資料

使用IronPDF提取發票資料是一個非常簡單的過程。 從PDF發票資料中提取發票號和金額等資料可能是一個棘手的過程，但使用IronPDF結合Python開源庫re，可以實現。 以下程式碼將從PDF發票中提取特定資料並在控制台中列印出來。

from ironpdf import PdfDocument
import re

# Define regex patterns to find invoice number and amount
invoice_number_pattern = r"Invoice\s+(INV/\d{4}/\d{5})"
amount_pattern = r"Total\s+\$\s*([\d,.]+(?:\.\d{2})?)"

# Load the PDF using the PdfDocument.FromFile method
pdf = PdfDocument.FromFile("INV_2022_00001.pdf")

# Extract all text from the PDF
all_text = pdf.ExtractAllText()

# Search for the invoice number and amount in text
invoice_number_match = re.search(invoice_number_pattern, all_text)
amount_match = re.search(amount_pattern, all_text)

# Extract the matching groups if matches are found
invoice_number = invoice_number_match.group(1) if invoice_number_match else "Not found"
amount = amount_match.group(1) if amount_match else "Not found"

# Print the extracted data
print('Invoice Number: ' + invoice_number + '\nAmount: $' + amount)

from ironpdf import PdfDocument
import re

# Define regex patterns to find invoice number and amount
invoice_number_pattern = r"Invoice\s+(INV/\d{4}/\d{5})"
amount_pattern = r"Total\s+\$\s*([\d,.]+(?:\.\d{2})?)"

# Load the PDF using the PdfDocument.FromFile method
pdf = PdfDocument.FromFile("INV_2022_00001.pdf")

# Extract all text from the PDF
all_text = pdf.ExtractAllText()

# Search for the invoice number and amount in text
invoice_number_match = re.search(invoice_number_pattern, all_text)
amount_match = re.search(amount_pattern, all_text)

# Extract the matching groups if matches are found
invoice_number = invoice_number_match.group(1) if invoice_number_match else "Not found"
amount = amount_match.group(1) if amount_match else "Not found"

# Print the extracted data
print('Invoice Number: ' + invoice_number + '\nAmount: $' + amount)

此程式碼片段利用Python和IronPDF程式庫從PDF文件進行資料提取。 它首先導入所需的程式庫，並定義正則表達式模式以識別PDF文字內容中的發票號碼和總金額。 然後，程式碼載入目標PDF，提取其所有文字，並進而搜尋定義模式的匹配項。

如果找到成功的匹配項，則儲存相應的發票號和金額值； 否則，它將分配"未找到"。 最後，腳本將提取的發票號和金額列印到控制台，提供了一種自動化從PDF文件中提取特定資料的簡潔方式，這在各種資料處理和會計應用程式中常常遇到。

5. 結論

在當今快速變化的商業環境中，Python作為組織的強大盟友，在通過自動化從PDF發票中提取關鍵資料以簡化其財務操作方面發揮著重要作用。 利用Python的功能和IronPDF程式庫，企業可以顯著減少手動資料輸入、減少錯誤、節省時間，並提高在管理發票的會計過程中的整體生產率。 IronPDF以其多功能功能，如PDF生成、HTML到PDF轉換、PDF編輯、合併、分割、表單處理、數位簽名和精確的資料提取，成為了這些任務的強大工具。

通過簡單的設置程式，Python開發者可以迅速將IronPDF整合到他們的項目中，革新他們的發票處理工作流，使得發票中的資料提取成為一個無縫且高效的過程。 使用IronPDF進行資料提取的程式碼範例可以在詳細的程式碼範例中找到。 在Python中使用IronPDF進行資料提取的完整教程可以在以下Python教程中找到，而發票提取使用C#，請參閱IronOCR教程。