AI+Python项目001:电子发票信息提取

# 导入所需库import osimport tkinter as tkfrom tkinter import ttk, filedialog, messageboximport pdfplumberimport pandas as pdimport refrom unicodedata import normalizeimport xml.etree.ElementTree as ETfrom datetime import datetime# ================== 通用配置 ==================COMMON_COLUMNS = [    "数电票号码", "开票日期", "金额", "税额", "税率",    "含税总额", "有效抵扣税额", "购买方识别号", "销售方名称", "发票类型"]# ================== PDF解析模块 ==================class PDFInvoiceParser:    @staticmethod    def preprocess_text(text):        text = normalize('NFKC', text)        text = re.sub(r'[\n\r]+', ' ', text)        text = re.sub(r'\s{2,}', ' ', text)        return text.strip()    @staticmethod    def extract_field(patterns, text):        for pattern in patterns:            match = re.search(pattern, text)            if match:                value = match.group(1).strip()                if '¥' in value or '￥' in value:                    value = value.replace('¥', '').replace('￥', '').strip()                return value        return None    @classmethod    def parse_pdf(cls, pdf_path):        try:            with pdfplumber.open(pdf_path) as pdf:                full_text = ""                for page in pdf.pages:                    text = page.extract_text()                    if text:                        full_text += cls.preprocess_text(text) + "\n"                patterns = {                    "数电票号码": [                        r'发票号码\s*[：:]\s*(\d{20})',                        r'(?:电子票号|票号)\s*[：:]\s*(\d+)',                    ],                    "开票日期": [                        r'开票日期\s*[：:]\s*(\d{4}年\d{1,2}月\d{1,2}日)',                        r'日期\s*[：:]\s*(\d{4}-\d{2}-\d{2})',                    ],                    "含税总额": [                        r'¥\s*(\d+\.?\d*)\s*票价\s*[：:]',                        r'票价\s*[：:]\s*¥\s*(\d+\.?\d*)',                        r'¥\s*(\d+\.?\d*)',                        r'￥\s*(\d+\.\d{2})',                        r'\b(\d+\.\d{2})\s*元\b',                    ],                    "购买方识别号": [                        r'统一社会信用代码\s*[：:]\s*([0-9A-Z]{18})',                        r'纳税人识别号\s*[：:]\s*(\S+)',                    ]                }                result = {                    "数电票号码": None,                    "开票日期": None,                    "金额": None,                    "税额": None,                    "税率": "9%",                    "含税总额": None,                    "有效抵扣税额": None,                    "购买方识别号": None,                    "销售方名称": "",                    "发票类型": "铁路电子客票"                }                for field in patterns:                    result[field] = cls.extract_field(patterns[field], full_text)                # ----- 提取乘客姓名作为销售方名称（优化版）-----                # 模式1：身份证号（10位数字 + 4星 + 4位（数字或X））后跟姓名                name_match = re.search(r'(\d{10})\*{4}([0-9X]{4})\s*([\u4e00-\u9fa5]{1,4})', full_text)                if name_match:                    result["销售方名称"] = name_match.group(3)                else:                    # 模式2：直接从票价信息后提取姓名                    alt_match = re.search(r'票价[：:]\s*¥\s*\d+\.?\d*\s*([\u4e00-\u9fa5]{1,4})', full_text)                    if alt_match:                        result["销售方名称"] = alt_match.group(1)                    else:                        # 模式3：单独出现的2-4个汉字（如无身份证号的情况）                        standalone_match = re.search(r'^\s*([\u4e00-\u9fa5]{2,4})\s*$', full_text, re.MULTILINE)                        if standalone_match:                            result["销售方名称"] = standalone_match.group(1)                        else:                            result["销售方名称"] = ""                # -----------------------------------------                # 日期格式处理                if result["开票日期"] and '年' in result["开票日期"]:                    date_match = re.match(r'(\d{4})年(\d{1,2})月(\d{1,2})日', result["开票日期"])                    if date_match:                        year, month, day = date_match.groups()                        result["开票日期"] = f"{year}-{month.zfill(2)}-{day.zfill(2)}"                # 金额处理                if result["含税总额"]:                    try:                        total_str = result["含税总额"].replace(',', '')                        if '.' not in total_str:                            total_str += '.00'                        total = float(total_str)                        result["含税总额"] = round(total, 2)                        result["金额"] = round(total / 1.09, 2)                        result["税额"] = round(total - result["金额"], 2)                        result["有效抵扣税额"] = result["税额"]                    except Exception as e:                        print(f"PDF金额转换失败：{str(e)}")                        return None                if all(result.get(f) for f in ["数电票号码", "开票日期", "含税总额"]):                    return result                return None        except Exception as e:            print(f"PDF解析异常：{str(e)}")            return None# ================== XML发票解析模块 ==================class XMLInvoiceParser:    @staticmethod    def parse_xml(xml_path):        try:            tree = ET.parse(xml_path)            root = tree.getroot()            data = {                "数电票号码": root.findtext('.//EIid'),                "开票日期": root.findtext('.//IssueTime'),                "金额": root.findtext('.//TotalAmWithoutTax'),                "税额": root.findtext('.//TotalTaxAm'),                "税率": None,                "含税总额": root.findtext('.//TotalTax-includedAmount'),                "有效抵扣税额": root.findtext('.//TotalTaxAm'),                "购买方识别号": root.findtext('.//BuyerInformation/BuyerIdNum'),                "销售方名称": root.findtext('.//SellerName'),                "发票类型": root.findtext('.//GeneralOrSpecialVAT/LabelName')            }            # 数值格式转换            for field in ['金额', '税额', '含税总额', '有效抵扣税额']:                if data[field]:                    try:                        data[field] = float(data[field])                    except ValueError:                        data[field] = None            # 日期格式化处理            if data["开票日期"]:                try:                    dt_str = data["开票日期"].split('T')[0]                    dt = datetime.strptime(dt_str, "%Y-%m-%d")                    data["开票日期"] = dt.strftime("%Y-%m-%d")                except Exception as e:                    print(f"日期格式转换失败: {str(e)}")                    data["开票日期"] = None            # 税率处理（转换为百分比）            tax_rates = [rate.text for rate in root.findall('.//TaxRate')]            if tax_rates:                try:                    if len(tax_rates) > 1:                        rates = list(set([float(r) for r in tax_rates]))                        if len(rates) > 1:                            data["税率"] = "多税率"                        else:                            data["税率"] = f"{int(rates[0]*100)}%"                    else:                        data["税率"] = f"{int(float(tax_rates[0])*100)}%"                except ValueError:                    data["税率"] = "6%"            return {k: v if v is not None else "" for k, v in data.items()}        except Exception as e:            print(f"XML解析失败：{str(e)}")            return None# ================== GUI主程序 ==================class InvoiceProcessorApp(tk.Tk):    def __init__(self):        super().__init__()        self.title("发票信息提取工具—张了个帆")        self.geometry("720x220")        self.configure_ui()    def configure_ui(self):        self.style = ttk.Style()        self.style.theme_use('clam')        self.style.configure('TButton', font=('微软雅黑', 10))        self.style.configure('Accent.TButton', foreground='white', background='#2196F3')        main_frame = ttk.Frame(self, padding=20)        main_frame.pack(fill=tk.BOTH, expand=True)        # 路径选择组件        path_frame = ttk.Frame(main_frame)        path_frame.pack(fill=tk.X, pady=5)        ttk.Label(path_frame, text="请选择发票所在文件夹：").pack(side=tk.LEFT)        self.path_var = tk.StringVar()        entry = ttk.Entry(path_frame, textvariable=self.path_var, width=50)        entry.pack(side=tk.LEFT, padx=5, fill=tk.X, expand=True)        ttk.Button(path_frame, text="浏览...", command=self.browse_directory).pack(side=tk.LEFT)        # 操作按钮        btn_frame = ttk.Frame(main_frame)        btn_frame.pack(pady=10)        ttk.Button(btn_frame, text="开始处理", style='Accent.TButton',                   command=self.process_files).pack(side=tk.LEFT, padx=5)        # 状态栏        self.status_var = tk.StringVar(value="就绪状态：等待操作")        ttk.Label(main_frame, textvariable=self.status_var, foreground="#666").pack()    def browse_directory(self):        path = filedialog.askdirectory(title="选择发票文件夹")        if path:            self.path_var.set(path)            self.status_var.set(f"已选择目录：{path}")    def process_files(self):        path = self.path_var.get()        if not path:            messagebox.showwarning("提示", "请先选择文件夹")            return        self.status_var.set("正在解析发票...")        self.update()        try:            all_data = []            error_log = {'PDF': [], 'XML': []}            # 处理PDF文件            pdf_data = []            for filename in os.listdir(path):                if filename.lower().endswith(".pdf"):                    self.status_var.set(f"处理PDF: {filename[:20]}...")                    self.update()                    result = PDFInvoiceParser.parse_pdf(os.path.join(path, filename))                    if result:                        pdf_data.append(result)                    else:                        error_log['PDF'].append(filename)            all_data.extend(pdf_data)            # 处理XML文件            xml_data = []            for filename in os.listdir(path):                if filename.lower().endswith(".xml"):                    self.status_var.set(f"处理XML: {filename[:20]}...")                    self.update()                    result = XMLInvoiceParser.parse_xml(os.path.join(path, filename))                    if result:                        xml_data.append(result)                    else:                        error_log['XML'].append(filename)            all_data.extend(xml_data)            # 生成带时间戳的文件名            if all_data:                timestamp = datetime.now().strftime("%Y%m%d%H%M%S")                excel_name = f"发票信息提取结果_{timestamp}.xlsx"                excel_path = os.path.join(path, excel_name)                df = pd.DataFrame(all_data)[COMMON_COLUMNS]                # 设置数值格式                with pd.ExcelWriter(excel_path, engine='openpyxl') as writer:                    df.to_excel(writer, index=False)                    worksheet = writer.sheets['Sheet1']                    # 设置金额列为数值格式                    for col in ['C', 'D', 'F', 'G']:  # C=金额, D=税额, F=含税总额, G=有效抵扣税额                        for cell in worksheet[col]:                            cell.number_format = '0.00'                report = [                    f"■ 成功处理文件：",                    f"  - PDF文件: {len(pdf_data)}个",                    f"  - XML文件: {len(xml_data)}个",                    f"■ 保存路径：{excel_path}"                ]                if error_log['PDF'] or error_log['XML']:                    report.append("\n▼ 失败文件 ▼")                    if error_log['PDF']:                        report.append(f"PDF文件:\n• " + "\n• ".join(error_log['PDF']))                    if error_log['XML']:                        report.append(f"XML文件:\n• " + "\n• ".join(error_log['XML']))                messagebox.showinfo("处理完成", "\n".join(report))                self.status_var.set(f"处理完成！生成文件：{excel_path}")            else:                messagebox.showwarning("警告", "没有找到可处理的发票文件")                self.status_var.set("未找到有效文件")        except Exception as e:            messagebox.showerror("系统错误", f"处理异常：{str(e)}")            self.status_var.set("处理异常")        finally:            self.status_var.set("就绪状态：等待新任务")if __name__ == "__main__":    app = InvoiceProcessorApp()    app.mainloop()

pip3 install pdfplumber pandas openpyxl