如何用Python自动化从批量PDF发票提取指定值并写入Excel？

完全可以用Python实现这个自动化任务，尤其适合处理上百份PDF发票的场景。下面是一套可落地的实现方案，核心用到pdfplumber（精准提取PDF文本）和pandas（高效处理并写入Excel）两个库。

前置准备 #

先安装依赖库：

pip install pdfplumber pandas

完整代码实现 #

import os
import re
import pdfplumber
import pandas as pd

def extract_invoice_data(pdf_path):
    """从单份PDF发票中提取目标数据"""
    invoice_data = {
        "发票编号": "",
        "开票日期": "",
        "总金额": "",
        "供应商名称": ""
    }
    
    with pdfplumber.open(pdf_path) as pdf:
        # 读取第一页（多数发票核心信息在第一页）
        first_page = pdf.pages[0]
        text = first_page.extract_text()
        
        # 用正则匹配目标字段，需根据你的发票格式调整正则表达式
        # 示例：匹配发票编号（格式如"发票编号: 12345678"）
        inv_num_match = re.search(r"发票编号:\s*(\w+)", text)
        if inv_num_match:
            invoice_data["发票编号"] = inv_num_match.group(1)
        
        # 匹配开票日期（格式如"开票日期: 2024-05-20"）
        date_match = re.search(r"开票日期:\s*(\d{4}-\d{2}-\d{2})", text)
        if date_match:
            invoice_data["开票日期"] = date_match.group(1)
        
        # 匹配总金额（格式如"总金额: ￥1234.56"）
        total_match = re.search(r"总金额:\s*￥(\d+\.\d{2})", text)
        if total_match:
            invoice_data["总金额"] = float(total_match.group(1))
        
        # 匹配供应商名称（格式如"供应商: XX科技有限公司"）
        vendor_match = re.search(r"供应商:\s*(.+)", text)
        if vendor_match:
            invoice_data["供应商名称"] = vendor_match.group(1)
    
    return invoice_data

def batch_process_invoices(folder_path, output_excel):
    """批量处理指定文件夹下的所有PDF发票"""
    all_invoice_data = []
    
    # 遍历文件夹下的所有PDF文件
    for filename in os.listdir(folder_path):
        if filename.endswith(".pdf"):
            pdf_full_path = os.path.join(folder_path, filename)
            print(f"正在处理: {filename}")
            data = extract_invoice_data(pdf_full_path)
            data["文件名"] = filename  # 保留原文件名便于核对
            all_invoice_data.append(data)
    
    # 将数据转换为DataFrame并写入Excel
    df = pd.DataFrame(all_invoice_data)
    df.to_excel(output_excel, index=False, encoding="utf-8")
    print(f"处理完成！结果已保存至: {output_excel}")

# 主程序入口
if __name__ == "__main__":
    # 替换为你的PDF发票文件夹路径
    INVOICE_FOLDER = "./invoices"
    # 替换为输出Excel的路径
    OUTPUT_EXCEL = "./发票汇总.xlsx"
    
    batch_process_invoices(INVOICE_FOLDER, OUTPUT_EXCEL)

关键说明 #

• 正则表达式调整：代码中的正则是通用示例，实际要根据你的发票具体格式修改（比如有些发票的字段名是"发票号码"而不是"发票编号"，金额符号可能是"$"）。可以先提取单份发票的文本，打印出来后针对性编写正则。
• 复杂PDF处理：如果遇到扫描版PDF（图片转的PDF），pdfplumber无法提取文本，需要结合OCR工具如pytesseract，先将PDF转图片再识别文本。
• 测试先行：批量处理前，先拿1-2份发票测试extract_invoice_data函数，确保能正确提取数据后再跑批量。

内容的提问来源于stack exchange，提问作者Vikrant