OFD專用電子發票及PDF普通電子發票-批量解析V1.5

      新版小工具終於開發完了。這一版本，之前有些使用者提到的備註區、貨物清單基本上已經支援。由於此版本耗費了大量精力，這一版本之後，可能較長一段時間不會再更新。

 

1、下載地址： 

      連結：https://pan.baidu.com/s/1SlQUNj7rhSdaKcW1M1UqhA  提取碼：cwww （若下載連結失效，說明已存在新版本，請在本部落格中檢視最新文章下載最新版本）

2、使用的程式語言

      1）、python

      2）、使用到的主要第三方包：

                Excel讀寫：xlrd、xlutils、

                PDF檔案讀取及資訊提取：pdfplumber、re、matplotlib（除錯時視覺化用）

                OFD檔案讀取及資訊提取：zipfile、xml.dom.minidom

3、主要思路

      1）、PDF發票提取

                ①、使用pdfplumber讀取pdf檔案中的txt，使用re匹配關鍵字，提取絕大部分欄位的資訊（各pdf發票格式差異較大，需要使用多種匹配方式去提取）

                ②、使用pdfplumber讀取pdf中的lines、edges、curves等，算出pdf中的表格定位點（各pdf差異較大，需要去嘗試多種方案），再通過定位點，在pdf中提取特定區域的文字（比如，備註，貨物清單）

      2）、OFD發票提取

                ①、OFD是壓縮檔案，使用zipfile解壓

                ②、使用xml.dom.minidom讀取解壓後的Doc_0/Attachs/original_invoice.xml等xml檔案，提取資訊

      3）、Excel寫入

                ①、使用xlrd讀取模板Excel檔案，使用xlutils複製格式等

4、功能介紹

      1）、提取的資訊

欄位	說明	欄位	說明
檔名		價稅合計
檔案型別	PDF/OFD	稅額合計
發票標題		不含稅金額
檔案ID	OFD才有	備註
發票程式碼		開票人
發票號碼		收款人
發票型別程式碼	OFD才有	複核人
開票日期		二維碼中的值	OFD才有
校驗碼		貨物清單	1、每一行對應一種貨物 2、每個欄位使用 ψ 分割 3、每行的欄位順序如下： 序號,專案名稱,規格型號,單位,數量,單價,金額,稅率,稅額
機器編號
密碼區
購買方名稱		銷售方名稱
購買方納稅人識別號		銷售方納稅人識別號
購買方地址、電話		銷售方地址、電話
購買方開戶行及賬號		銷售方開戶行及賬號

      2）、未提取的資訊

                ①、PDF發票，若貨物清單在第二頁的，目前沒有提取

                ①、PDF發票。目前已知部分發票無法正確提取 備註 和 貨物清單（實在是太麻煩了，不想適配了）。

5、其他說明

      1）、OFD發票測試樣本太少，可能存在解析不了的

      2）、部分欄位可能存在提取不正確或缺失

      3）、遇到提取失敗或者部分欄位提取失敗的，可以聯絡我，並提交對應檔案給我，我可以除錯下。

      4）、使用說明，請下載後看 使用說明.txt。或者看第一篇文章。