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
作者:Python研究者 发布时间:2021-02-03 12:25:21
一、场景描述
这里有以四张发票为例(辰哥网上搜的),将发票图片放到pic文件夹下。
随便打开一张发票
提取目标:金额、名称、纳税人识别号、开票人。
最后将每一张发票的这四个内容保存到excel中:
二、准备环境
需要用到的库如下:
from PIL import Image as PI
import pyocr
import pyocr.builders
from cnocr import CnOcr
安装的命令如下:
pip install pyocr
pip install cnocr
发票中含有中文内容,我们需要对图片中的中文进行识别,那么 cnocr 是一个不错的选择。
提示:安装好上面的库之外,还需要安装额外的exe文件,不然会出现下面这种错误
需要安装的exe文件:
1. ImageMagick
2. tesseract-OCR
这两个软件的安装过程就不再赘述了,大家可以自行搜索教程进行安装。
三、提取内容
下面以其中一张图片为例,讲解如何提取目标内容:金额、名称、纳税人识别号、开票人。
读取图片:pic/pic1.jpg
tool = pyocr.get_available_tools()[0]
img_url = "pic/pic1.jpg"
with open(img_url, 'rb') as f:
a = f.read()
new_img = PI.open(io.BytesIO(a))
1.提取金额
需要截取到发票中金额的位置
## 金额
left = 741
top = 420
right = 850
bottom = 445
image_text1 = new_img.crop((left, top, right, bottom))
#展示图片
image_text1.show()
这里的left、top、right、bottom的数值是通过多次修改定位而来。大家根据自己的发票内容去定位即可。
接着将图片中的数字提取出来
同样的,下面继续提取:名称
2.提取名称
left = 155
top = 450
right = 450
bottom = 470
image_obj2 = new_img.crop((left, top, right, bottom))
image_obj2.show()
这里的名称是中文的,咱们不能再像提取金额(数字)操作。需要使用到cnocr去将图片中的中文取出。
image_obj2.save("tmp.jpg")
ocr = CnOcr()
res = ocr.ocr("tmp.jpg")
print("".join(res[0]))
3.提取纳税人识别号
#纳税人识别号
left = 155
top = 470
right = 450
bottom = 490
image_text3 = new_img.crop((left, top, right, bottom))
#展示图片
image_text3.show()
txt3 = tool.image_to_string(image_text3)
print(txt3)
将图片中的纳税人识别号提取出来,结果如下:
4.提取开票人
left = 528
top = 550
right = 670
bottom = 600
image_obj4 = new_img.crop((left, top, right, bottom))
image_obj4.show()
image_obj4.save("tmp.jpg")
ocr = CnOcr()
res = ocr.ocr("tmp.jpg")
print("".join(res[0]))
由于有中文,咱们这里同样和提取名称一样,使用cnocr将图片中的中文取出。
ok这样我们就将发票中的四个目标内容提取出来,接着将文件夹pic下的所有发票,进行识别将内容保存到excel。
四、批量识别发票并保存到excel
在读取图片之前,先将上面的四个操作封装成函数,方便每一种发票对象进行调用。
读取文件夹下的所有图片。
filePath = 'pic'
pic_name = []
for i,j,name in os.walk(filePath):
pic_name = name
for i in pic_name:
print(i)
开始进行识别,并将结果写入到excel中。
for i in pic_name:
img_url = filePath+"/"+i
with open(img_url, 'rb') as f:
a = f.read()
new_img = PI.open(io.BytesIO(a))
## 写入csv
outws.cell(row=count, column=1, value=text2(new_img))
outws.cell(row=count, column=2, value=text3(new_img))
outws.cell(row=count, column=3, value=text1(new_img))
outws.cell(row=count, column=4, value=text4(new_img))
count = count + 1
outwb.save("发票汇总-李运辰.xls") # 保存结果
最后保存为:发票汇总-李运辰.xls,其结果如下:
五、发票验证真伪
在辰哥的交流群里,和小伙伴聊到这个内容时,小伙伴建议可以加一个功能:发票验证真伪。
所有在上面的开始识别之前(自己公司的发票可能不需要查验这步),先调用一下第三方的接口,对发票进行识别,识别通过之后再将其提取发票中目标内容。
1.申请百度AI应用
2.获取token
# client_id 为官网获取的AK, client_secret 为官网获取的SK
host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=【官网获取的AK】&client_secret=【官网获取的SK】'
response = requests.get(host)
if response:
print(response.json()['access_token']
这里的client_id 为官网获取的AK, client_secret 为官网获取的SK,是上面申请好应用即可获取
3.查验
咱以这张图片为例,进行查验
其中的发票类型对应如下:
结果如下:
感觉这个结果查询不是很好(不详细)。下面还可以去税务局查询
4.税务局查询发票
同样以这张图片为例,进行查验
填写好信息点击查验,结果如下:
再税务局查验更加清晰。读者可以根据自己的情况去选择自己的方式去查验。
六、小结
本文基本就成功实现目标要求,从效果来看还是非常不错的!完整源码可由文中代码组合而成(已全部分享在文中),感兴趣的读者可以自己尝试!
一定要动手尝试****!一定要动手尝试****!一定要动手尝试!
最后想说的是,其实本文的案例可以应用再其他方面,例如
批量计算发票金额汇总
根据发票类型批量分类
........
来源:https://www.cnblogs.com/chenlove/p/14928412.html
猜你喜欢
- 本文列举了所有关于PHP语言中使用socket相关服务的一些函数。注意使用如下函数之前,你需要确保你的socket已打开,如果你没有打开,请
- 函数如下: function update_timelist(&$arr,$timestamp,$threshold){ $time
- 将近两个多月没有敲linux命令,手指头不听话了。该再次温习卖油翁的故事了。曾为oracle如何启动多个实例运行纠结过,不服输心理。当时在一
- Oracle数据库升级也并非简单的事,这篇文章对Oracle那点事做了较详细的介绍:Oracle数据库升级或数据迁移方法研究我还属于Orac
- 当用户关闭cookie时,通过asp程序提示访客打开,源代码如下: Dim strCookie, strT
- 本文实例讲述了golang操作mongodb的方法。分享给大家供大家参考。具体实现方法如下:package mainimport (&nbs
- 做项目的时候,一位同事导数据的时候,不小心把一个表中的数据全都搞重了,也就是说,这个表里所有的记录都有一条重复的。这个表的数据是千万级的,而
- phpstorm配置debug环境众所周知,在渗透测试进行代码审计的时候,往往要审计代码的执行过程,亦或是在开发php项目的时候,需要了解代
- 本文实例讲述了thinkPHP5.0框架简单配置作用域的方法。分享给大家供大家参考,具体如下:配置参数支持作用域的概念,默认情况下,所有参数
- 前言Django 和 DRF(django rest framawork) 的结合在 python 后台中经常出现的组合。对于异常的全局处理
- 什么是F型浏览?2006年4月,美国长期研究网站可用性的著名网站设计师杰柯柏·尼尔森(Jakob Nielsen)发表了一项《眼球轨迹的研究
- Security vulnerability in MySQL/MariaDB 在知道用户名的情况下(如root),直接反复重试(平均大约2
- Check In/Out功能简介:该功能是专门针对多用户管理而预设的。即多用户使用多帐号管理同一站点。
- 北京邮电大学 张剑XML的局限性目前,许多Web网站的内容数据都存放在数据库或数据文件中。对于Web程序开发人员来说,如果要想把有用的信息从
- 可以的,看看下面的代码和说明:<%sessionID = session.SessionIDtimeout&nbs
- 在给blog加上无刷新搜索和即时验证检测后,又看了下代码,感觉太过麻烦,就把XMLHttpRequest请求封装到一个类里面,用起来方便多了
- 这篇文章将介绍在Python中使用 "frozenset "函数的指南,该函数返回一个新的frozenset类型的Pyt
- 最近JETBRAINS发布了目前最受欢迎的python-web开发框架,可以看到最受欢迎的还是Django和Flask,那么本文就对上榜的1
- 症状: 访问asp网页的时候出现如下错误:Server object error ''ASP 0178 : 80070005
- 一、 在数据库排序查询优化上的差异。在讲解这个内容之前,为了读者能够清楚我讲的内容,我要先谈一个概念。命中率,它是指从内存中取得数据而不从磁