Python办公自动化之教你用Python批量识别发票并录入到Excel表格中

1. Python办公自动化

在日常工作中，很多重复性的工作可以通过Python编写程序实现自动化，从而提高工作效率。本文将介绍如何使用Python批量识别发票并录入到Excel表格中，实现办公自动化。

2. 发票识别和录入

在实现发票识别和录入之前，需要引入相关的Python库。本文使用的是Python的两个强大的库：PIL和pytesseract。

2.1 PIL库

PIL是Python Imaging Library的缩写，它是一个有关图像处理的Python库，除了基本的图像处理功能外，还提供了很多高级的处理功能。在本文中，使用PIL库来对图片进行处理。

from PIL import Image

2.2 pytesseract库

pytesseract是一个Python库，可用于OCR（Optical Character Recognition）图像识别，它可以对一张图片中的文本进行识别，并转化为字符串。在本文中，使用pytesseract库对发票图片中的文本进行识别。

注意：需要事先安装tesseract-ocr软件，以便使pytesseract库能够正常运作。

import pytesseract

2.3 发票识别

在发票识别过程中，首先需要对发票图片进行处理，使其符合识别要求。根据发票的实际情况，发票图片需要进行如下处理：

灰度化：将发票图片转化为灰度图像；

二值化：将灰度图像转化为黑白二值图像；

降噪处理：去除图像中的噪声干扰。

在处理之后，使用pytesseract库对处理后的发票图片进行识别。

# 打开发票图片

img = Image.open('invoice.jpg')
# 灰度化
img = img.convert('L')
# 二值化
threshold = 140
table = []
for i in range(256):
    if i < threshold:
        table.append(0)
    else:
        table.append(1)
img = img.point(table, '1')
# 降噪处理
img = img.filter(ImageFilter.MedianFilter())
# OCR识别
text = pytesseract.image_to_string(img, lang='chi_sim')

识别过程大致如上代码所示，其中借助ImageFilter.MedianFilter()进行降噪处理，从而去除噪声干扰，提高识别准确率。另外，使用lang参数指定当前文本的语言类型为中文汉字（简体）。

2.4 发票信息提取

在发票信息提取过程中，需要针对发票中不同的信息项进行分类提取，包括：发票代码、发票号码、开票日期、购买方名称、购买方纳税人识别号、销售方名称、销售方纳税人识别号、商品列表等。每个信息项需要使用正则表达式匹配发票字符串中对应的文本，并逐项提取。

2.5 发票信息录入

在发票信息识别和提取完成后，需要将发票信息录入到Excel表格中。Python中使用openpyxl库，打开并操作Excel表格。根据读取的发票信息将其逐项按照Excel表头的对应位置进行填写。

# 打开Excel表格

workbook = openpyxl.load_workbook('invoices.xlsx')
# 选择工作表
sheet = workbook.active
# 将发票信息逐项填写至Excel表格
row = sheet.max_row + 1
sheet.cell(row, 1, invoice_code)
sheet.cell(row, 2, invoice_number)
sheet.cell(row, 3, invoice_date)
sheet.cell(row, 4, buyer_name)
sheet.cell(row, 5, buyer_taxpayer_id)
sheet.cell(row, 6, seller_name)
sheet.cell(row, 7, seller_taxpayer_id)

在代码中，使用sheet.cell()方法根据指定的行、列数，将发票信息填写到Excel表格中。

3. 完整代码

from PIL import Image,ImageFilter

import pytesseract
import re
import openpyxl
# 处理发票图片
def process_img(path):
    img = Image.open(path)
    # 转换为灰度图像
    img = img.convert('L')
    # 二值化
    threshold = 140
    table = []
    for i in range(256):
        if i < threshold:
            table.append(0)
        else:
            table.append(1)
    img = img.point(table, '1')
    # 降噪处理
    img = img.filter(ImageFilter.MedianFilter())
    # OCR识别
    text = pytesseract.image_to_string(img, lang='chi_sim')
    return text
# 提取发票信息
def extract_info(text):
    # 提取发票代码
    invoice_code = re.findall(r'发票代码：([A-Z0-9]+)', text)[0].strip()
    # 提取发票号码
    invoice_number = re.findall(r'发票号码：([A-Z0-9]+)', text)[0].strip()
    # 提取开票日期
    invoice_date = re.findall(r'开票日期：((\d{4}年)?\d{1,2}月\d{1,2}日)', text)[0][0].strip()
    # 提取购买方名称
    buyer_name = re.findall(r'名称：([\u4e00-\u9fa5]+)', text)[0].strip()
    # 提取购买方纳税人识别号
    buyer_taxpayer_id = re.findall(r'纳税人识别号：([A-Z0-9]+)', text)[0].strip()
    # 提取销售方名称
    seller_name = re.findall(r'名称：([\u4e00-\u9fa5]+)', text)[1].strip()
    # 提取销售方纳税人识别号
    seller_taxpayer_id = re.findall(r'纳税人识别号：([A-Z0-9]+)', text)[1].strip()
    # 正则表达式提取商品列表
    goods_list = re.findall(r'(([\u4e00-\u9fa5]+\d+[\u4e00-\u9fa5]+)(\d+\.\d{2})(\d+\.\d{2})(\d+\.\d{2}))', text)
    # 将商品列表格式化
    goods_list = [list(item) for item in goods_list]
    for i in range(len(goods_list)):
        goods_list[i][2] = float(goods_list[i][2])
        goods_list[i][3] = float(goods_list[i][3])
        goods_list[i][4] = float(goods_list[i][4])
    return invoice_code, invoice_number, invoice_date, buyer_name, buyer_taxpayer_id, seller_name, seller_taxpayer_id, goods_list
# 录入发票信息至Excel表格
def write_to_excel(invoice_code, invoice_number, invoice_date, buyer_name, buyer_taxpayer_id, seller_name, seller_taxpayer_id, goods_list):
    # 打开Excel表格
    workbook = openpyxl.load_workbook('invoices.xlsx')
    # 选择工作表
    sheet = workbook.active
    # 将发票信息逐项填写至Excel表格
    row = sheet.max_row + 1
    sheet.cell(row, 1, invoice_code)
    sheet.cell(row, 2, invoice_number)
    sheet.cell(row, 3, invoice_date)
    sheet.cell(row, 4, buyer_name)
    sheet.cell(row, 5, buyer_taxpayer_id)
    sheet.cell(row, 6, seller_name)
    sheet.cell(row, 7, seller_taxpayer_id)
    # 填写商品列表
    for i in range(len(goods_list)):
        sheet.cell(row+i, 8, goods_list[i][0])
        sheet.cell(row+i, 9, goods_list[i][1])
        sheet.cell(row+i, 10, goods_list[i][2])
        sheet.cell(row+i, 11, goods_list[i][3])
        sheet.cell(row+i, 12, goods_list[i][4])
    # 保存Excel表格
    workbook.save('invoices.xlsx')
# 测试
if __name__ == '__main__':
    # 处理发票图片
    text = process_img('invoice.jpg')
    # 提取发票信息
    (invoice_code, invoice_number, invoice_date, buyer_name,
    buyer_taxpayer_id, seller_name, seller_taxpayer_id, goods_list) = extract_info(text)
    # 录入发票信息至Excel表格
    write_to_excel(invoice_code, invoice_number, invoice_date, buyer_name,
    buyer_taxpayer_id, seller_name, seller_taxpayer_id, goods_list)

4. 总结

通过本文的介绍，我们了解了如何使用Python批量识别发票，并将其录入到Excel表格中。这种办公自动化的方式可以大大提高工作效率，降低工作量，进一步提升工作效益。