Python自动化处理PDF发票并生成Excel表格

1. 项目概述

最近在财务部门帮朋友处理了一批电子发票，发现手动录入Excel实在太费时间。作为一个Python开发者，我决定写个自动化工具来解放双手。这个Python脚本能够批量读取PDF格式的发票，提取关键信息后自动整理到Excel表格中。

核心功能很简单：指定一个放PDF发票的文件夹，程序会自动识别所有PDF文件，提取发票号码、金额、日期等关键信息，最后生成结构化的Excel表格。整个过程不到10行命令就能搞定，比手动操作效率提升至少20倍。

2. 技术选型与工具准备

2.1 为什么选择pdfplumber

在Python中处理PDF的库不少，我对比了几个主流选择：

• PyPDF2：基础功能完善但文本提取准确率一般
• pdfminer：功能强大但API复杂
• pdfplumber：基于pdfminer但接口更友好，文本定位精准

实测发现pdfplumber对中文PDF的解析效果最好，特别是处理带表格的发票时，能准确获取文本位置信息。安装也很简单：

bash复制pip install pdfplumber openpyxl

注意：如果遇到权限问题，可以加上--user参数或在虚拟环境中安装

2.2 辅助工具选择

• openpyxl：比pandas更轻量，适合简单的Excel写入需求
• re模块：Python内置正则表达式库，用于字段提取
• os模块：文件路径处理

3. 核心代码解析

3.1 类结构设计

采用面向对象方式封装主要功能：

python复制class PDFInvoiceParser:
    def __init__(self):
        self.data = []  # 存储所有发票数据
        self.fields = ['文件名', '发票号码', '开票日期', '供应商', '金额']  # 输出字段
    
    def process_folder(self, folder_path):
        """处理整个文件夹的PDF文件"""
        for filename in os.listdir(folder_path):
            if filename.endswith('.pd