如何在 Python 中从发票 PDF 提取数据

如何在Python中从PDF中提取发票数据

1. 安装用于从PDF发票中提取数据的Python库。
2. 利用PdfDocument.FromFile方法打开PDF文件。
3. 使用ExtractAllText方法提取发票中的所有数据。
4. 使用print方法打印从发票中提取的所有数据。
5. 从发票数据中提取特定数据。

1. IronPDF

IronPDF for Python是一个强大的库，使用Python作为桥梁连接Python应用程序和PDF文档。 这个多功能工具为开发人员提供了在Python项目中轻松创建、操作和与PDF文件交互的方法。 以下是一些使IronPDF成为有价值工具的突出功能：

1. PDF生成： IronPDF支持从头动态生成PDF文件，允许开发人员以编程方式创建具有自定义内容、样式和布局的PDF。
2. HTML到PDF转换： 它可以将HTML内容，包括网页，转换为高质量的PDF，保留原始HTML的布局和样式，这对于生成报告和文档特别有用。
3. PDF编辑： 开发人员可以通过添加、修改或删除文本、图像和交互元素轻松编辑现有的PDF，使其成为一个强大的文档操作工具。
4. PDF合并和拆分： IronPDF允许您将多个PDF文档合并为一个文件或将一个PDF拆分为多个文件，在管理大量PDF时提供灵活性。
5. PDF表单： 它支持创建和填写交互式PDF表单，非常适合需要用户输入和数据收集的应用程序。
6. 数字签名： 您可以为PDF文档添加数字签名，确保文件的完整性和真实性，这对于法律和安全目的至关重要。
7. PDF数据提取： IronPDF提供提取功能以保护PDF中的信息。

2. 环境设置

在Python中设置IronPDF环境需要几个步骤以确保您能有效地使用该库。 以下是分步指南：

1. 在PyCharm中创建一个新的Python项目并创建一个虚拟环境或使用现有的解释器。
2. 通过运行以下命令在终端中使用命令行终端安装IronPDF：

 pip install ironpdf

从命令行安装IronPDF

3. 使用IronPDF从发票中提取数据

本节将介绍如何使用IronPDF的Python库从发票格式和输出格式中提取数据。 以下代码将从发票中提取所有数据并在控制台中打印出来。

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. 从发票中提取特定数据

使用IronPDF提取发票数据是一个相当简单的过程。 从PDF发票数据中提取数据如发票编号和金额可能是一个棘手的过程，但结合使用IronPDF和Python开源库re，可以实现。 以下代码将从PDF发票中提取特定数据并在控制台中打印出来。

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)

这段代码片段利用Python和IronPDF库从PDF文档中执行数据提取。 它首先导入必要的库并定义正则表达式模式，以识别PDF文本内容中的发票号码和总金额。 然后代码加载目标PDF，提取其所有文本，并继续搜索匹配定义的模式。

如果找到了成功的匹配，它将存储相应的发票号和金额的值； 否则，它将分配"Not found"。 最后，该脚本将提取的发票号码和金额打印到控制台，提供了一种简化的方法来自动化从PDF文档中提取特定数据，这是一种在各种数据处理和会计应用中常见的任务。

5. 结论

在当今快节奏的商业环境中，Python作为一种强大的盟友，帮助组织通过自动化从PDF发票中提取重要数据来简化其财务操作。 利用Python的功能和IronPDF库，企业可以显著减少手动数据输入，降低错误，节省时间，并提高管理发票会计流程的整体效率。 IronPDF以其多功能功能，如PDF生成、HTML到PDF转换、PDF编辑、合并、拆分、表单处理、数字签名以及准确的数据提取，成为这些任务的强大工具。

通过遵循简单的设置程序，Python开发人员可以迅速将IronPDF集成到他们的项目中，彻底改变其发票处理工作流程，使从发票中提取数据的流程顺畅而高效。 使用IronPDF进行数据提取的代码示例可在详尽的代码示例中找到。 在IronPDF for Python上使用数据提取的完整教程可以在下面的Python教程中查看，对于使用C#提取发票，请参阅IronOCR教程。