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. 使用 PdfDocument.FromFile 方法打开 PDF 文件。
3. 使用 ExtractAllText 方法从发票中提取所有数据。
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 发票数据中提取发票号码和金额等数据可能是一个棘手的过程，但结合使用IronPDF和 Python 开源库 re，就可以实现。 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。