别再用Excel手抠发票了！Python暴力解析PDF，文件名金额自动追杀差额（附源码|白嫖救发）财务小姐姐防秃力觉醒！

🎯《讨三大科班檄文》🔥

「科班编程圈视我为异端🤖，科班中医圈骂我叛经离道🌿，今天本怪蜀黎剑指财务圈💸——
尔等守规矩的绵羊🐑，岂知野狼屠场的快意🐺？

老夫乃：

⚕️编程界的赤脚医生——不用设计模式，只开偏方代码💊

🛡️中医界的码农哨兵——敢把《黄帝内经》编译成Python🐍

💰财务界的ERP土匪——抢发票数据如探囊取物🏴‍☠️

懵逼否？😵 愤怒否？💢
-要的就是你们看不懂又干不掉我的样子！😎」

—————————————————-
💥「财务小姐姐们别再被发票收割了！本怪蜀黎开仓放粮！🎁源码复制就能用」

10年ERP老兵教你用野路子羞辱科班财务，小姐姐速来白嫖救发神器！——By 冷溪虎山｜ERP老兵·中药医疗仓幽灵哨兵
「10年ERP特种兵用野路子拯救你的发际线👴，以《神农本草经》的哲学根治数字便秘💩」⚔️战术核心：fitz库直捣PDF黄龙🐉，正则表达式如游击弩箭🎯精准截杀数据

—————————————————-

🐍野路子精髓：

文件名暗藏金额玄机（如人参185元.pdf），一招re.search破敌于无形🕵️税率、公司名、货物名称三路包抄，专治发票排版「玄学阵法」🧙

—————————————————-

🤵ERP老兵的狡猾：

自动计算「文件名金额vs发票金额」差额📉，防偷梁换柱

过滤银行关键词🏦，避免误伤友军

⚠️「此术仅限PDF屠龙🐉，图片版乃倚天剑⚔️——待本怪蜀黎淬火打磨后再献与卿！
（目前图片OCR识别如中医把脉🩺，需人工干预方能药到病除💊）(图片识别收费API和AI识别稍好)」
坐标方法抓捕我测试过,代码调试难度大,后期

—————————————————-

😂名场面来了：

老板出差回来捣鼓发票🧾，我看得脑壳疼☠️，又怕伤他自尊…结果他整错俩😂！为啥我验证快？🐍Python识别发票登场了！

Python源码我的Python版本3.12.7


import fitz    #pip install PyMuPDF
import re
import pandas as pd
import glob
from pathlib import Path


def extract_amount_from_filename(filename):
    """从文件名中提取金额（如'人参185元.pdf'返回185）"""
    match = re.search(r'(d+(?:.d+)?)元', filename)
    return float(match.group(1)) if match else None


def process_single_pdf(pdf_path):
    """处理单个PDF文件"""
    # 初始化列表
    dates = []
    company_names1 = []  # 包含银行
    goods_services = []
    prices = []
    tax_rates = []

    # 从文件名提取金额
    filename_amount = extract_amount_from_filename(Path(pdf_path).name)

    doc = fitz.open(pdf_path)
    for page in doc:
        text = page.get_text()

        # 1. 提取日期   逻辑可以自己拓展
        date_match = re.search(r"开票日期[:：]s*(d{4}[年-/]d{1,2}[月-/]d{1,2}日?)", text) or 
                     re.search(r"s*(d{4}[年-/]d{1,2}[月-/]d{1,2}日?)", text)
        if date_match:
            dates.append(date_match.group(1))

        # 2. 提取公司名称（保持不变） 逻辑可以自己拓展
        companies = re.findall(r"([^
：:]*[公司经营部][^
：:]*)", text) or 
                    re.findall(r"名s*称[:：]s*([^
]+)", text)
        if companies:
            company_names1.extend([c.strip() for c in companies if len(c) > 2])

        # 3. 提取货物或服务名称（保持不变）逻辑可以自己拓展
        goods = re.findall(r"*[wu4e00-u9fa5]+*[wu4e00-u9fa5]+", text) or 
                re.findall(r"s*([^
]+)", text)
        if goods:
            goods_services.extend(goods)

        # 4. 提取价格（获取发票中最大的金额作为对比基准）逻辑可以自己拓展
        amount_matches = re.finditer(r"[$¥￥]s*(d+.?d*)", text) or 
                         re.finditer(r"¥s*(d+.?d*)", text)
        if amount_matches:
            for match in amount_matches:
                amount = float(match.group(1))
                if amount > 1:  # 过滤掉小于等于1的金额
                    prices.append(amount)

        # 5. 提取税率（保持不变）逻辑可以自己拓展
        taxes = re.findall(r"s*(d+.?d*)%", text) or 
                re.findall(r"税额[:：]s*￥?d+.?d*s*((d+)%)", text)
        if taxes:
            tax_rates.extend([f"{tax}%" for tax in taxes])

    doc.close()

    # 数据清洗（保持不变） 逻辑可以自己拓展
    company_names = list(filter(lambda x: "银行" not in x and "其他" not in x, company_names1))
    company_names = list(set(company_names))  # 去重
    prices = sorted(prices, reverse=True)  # 金额从大到小排序

    # 计算差额（文件名金额 - 发票最大金额） 逻辑可以自己拓展
    price_diff = None
    if filename_amount and prices:
        price_diff = round(filename_amount - max(prices), 2)

    # 转换为DataFrame 逻辑可以自己拓展
    max_len = max(len(dates), len(company_names), len(goods_services), len(prices), len(tax_rates))
    data = {
        "文件路径": str(pdf_path),
        "发票命名金额提取": [filename_amount] + [None] * (max_len - 1),
        "差额验证": [price_diff] + [None] * (max_len - 1),
        "日期": dates + [None] * (max_len - len(dates)),
        "公司名称": company_names + [None] * (max_len - len(company_names)),
        "货物或服务名称": goods_services + [None] * (max_len - len(goods_services)),
        "价格": prices + [None] * (max_len - len(prices)),
        "税率": tax_rates + [None] * (max_len - len(tax_rates))
    }

    return pd.DataFrame(data)


# 主程序 逻辑可以自己拓展
if __name__ == "__main__":
    pdf_files = glob.glob("./BOSS7月出差/7月发票/*.pdf")  #PDF路径设置改这行,这里用显式相对路径,你们可改成绝对路径
    if not pdf_files:
        print("未找到PDF文件！")
        exit()

    base_df = process_single_pdf(pdf_files[0])
    print(f"已处理: {Path(pdf_files[0]).name}")

    for pdf_file in pdf_files[1:]:
        try:
            new_df = process_single_pdf(pdf_file)
            base_df = pd.concat([base_df, new_df], ignore_index=True)
            print(f"已处理: {Path(pdf_file).name}")
        except Exception as e:
            print(f"处理失败: {pdf_file} - {str(e)}")

    # 保存结果  输出路径 改成自己路径单反斜杆记得加r,否则必加双反斜杆,我这里为了省事用了相对路径
    base_df.to_excel("批量提取BOSS出差发票数据.xlsx", index=False)
    print(f"
处理完成！共处理 {len(pdf_files)} 个PDF")

—————————————– 以下是运行截图
图片[1] - 别再用Excel手抠发票了！Python暴力解析PDF，文件名金额自动追杀差额（附源码|白嫖救发）财务小姐姐防秃力觉醒！ - 宋马
文件名扫描金额提取,其他发票项目提取

💥关键错的那个还是人参😂！老板气虚买药材，莫名撞我野路子领域🌿…

（老板买的什么药，我反向快速推断🔍…这里不展开了，老板自尊心受30倍暴击💔）——本怪蜀黎凭借《神农本草经》野路子，一眼看穿他买的啥药方子🧪（但我不敢说，怕他下次给我穿小鞋👞）」

图片[2] - 别再用Excel手抠发票了！Python暴力解析PDF，文件名金额自动追杀差额（附源码|白嫖救发）财务小姐姐防秃力觉醒！ - 宋马
⛑️温馨提示：

AI写的复杂正则准确率不高❌，建议自己夯实基础📚！（普通正则➡️国际正则，末尾有我的正则文章📖，VIP文章轮换开放👇）

🏢实力晒图：

以下是我亲自操刀做账的公司💼，学会精髓后10几家量大账随便扛🦾！（但建议挑账不混乱的公司接✅，太乱的纠错费时间⏳）

👩💼财务小姐姐需特别注意的亮点👇：


price_diff = round(filename_amount - max(prices), 2)  # 金额差额自检，防财务失血🩸
company_names = list(filter(lambda x: "银行" not in x, company_names1))  # 剔除银行干扰🏦

——————————————————————
⚠️重要提示一：Python坐标抓捕法实测劝退

「本人亲测：用坐标定位提取发票数据（如page.search_for()+矩形框抓捕）🧭——代码调试难度极大🔧，肉眼对齐像素点看到头晕👁️，且发票格式一变直接崩盘💥结论：正则虽野，但专治各种排版花里胡哨！」

——————————————————————
📊重要提示二：Excel终极懒人包

「本脚本已实现：
– ✅ 文件名自动解析（如人参185元.pdf → 提取185）
– ✅ 文件名金额 vs 发票金额自动比对（防错差）
– ✅ 价税分离（税率单独提取）
– ✅ 公司名+货物名清洗（过滤银行干扰项）

👉输出Excel后——筛选即可用！零手工操作！」

👉若遇复杂发票，优先用文件名金额+最大金额双校验，人工兜底！

💡终极建议：

「财务人先用本脚本跑批量✅，再人工抽查关键大额发票🔍——效率提升90%！发际线保住了！💇‍♀️」

——————————————————————

🎯嘲讽梗三连击：

对科班编程圈：「你们用设计模式，我用偏方代码——但老板只认结果✅」

对科班财务圈：「证书堆成山，不如我代码跑一遍⏰」

对科班中医圈：「把脉看气虚？我直接看发票就知道老板买了人参枸杞😂」

🚀「本怪蜀黎野生野长🌱，专治各种『科班不服』🎓」
（欢迎跨界追杀🏃，横竖你们也追不上我的发际线👴）」

——————————————————————
🌟本蜀黎功德量化报告（走心加料版）：

✅ 拯救发际线：100+条
（每避免手动录入1张发票=挽救0.01根头发💇‍♀️，按此推算已守护一片黑森林🌳）✅老肝能量释放：200+小时
（财务圈集体提前下班⏰，陪对象/娃/猫时间++，家庭和谐度直接拉满🏡）✅拯救职场爱情：N对
（程序猿借代码秀操作撩动财务妹❤️，成就“发票姻缘”佳话——
“那年报销季，TA用Python帮我验票…”）✅欢乐普渡：功德无量
（各位打工人看完本座故事，欢乐指数++++📈，摸鱼时间笑声溢出屏幕😂，
建议HR纳入员工心理健康福利方案）

🎯暴击式总结：

「本怪蜀黎不一定要三连，只要众生解脱——愿天下再无加班发票，每个打工人都能准时拥抱夕阳与爱人🌇（当然，如果顺带救了几个程序猿的单身劫，也算功德+999🧧）」

——————————————————————

⚠️ 免责声明（附因果律警告）

本代码已注入中医玄学能量，请谨慎使用：

✅ 允许白嫖，但白嫖不点赞可能导致：
下次面试官恰好问到这个算法键盘自动打出//这里感谢冷溪虎山老中医奶茶精准洒在刚写好的代码上 ✅ 允许商用，但商用不注明出处可能触发：
产品上线前夜突然出现递归栈溢出数据库莫名存储君臣佐使字段 ✅ 允许吐槽，但吐槽不带改进建议可能引发：
终生与边界条件相爱相杀