Python 提取 PDF 电子发票数据的过程通常需要借助一些专门处理 PDF 文件的库，例如 `PyPDF2`、`pdfplumber` 或者更强大的 OCR 工具如 `pytesseract` 和图像处理工具 `Pillow` 来识别扫描版 PDF 中的内容。 以下是基本步骤和思路： ### 方法一：纯文本型 PDF 数据提取 如果您的 PDF 发票内容是直接存储为文本形式的数据，则可以使用以下方法： 1. **安装 pdfplumber** 使用命令行运行：`pip install pdfplumber` 2. **编写代码读取并解析 PDF 内容** ```python import pdfplumber # 打开PDF文件 with pdfplumber.open("invoice.pdf") as pdf: first_page = pdf.pages[0] # 获取第一页 text = first_page.extract_text() # 提取该页的所有文字信息 print(text) ``` 这段代码会从指定的 PDF 文档中提取出所有可用的文字，并打印到控制台。您可根据关键字进一步筛选发票号码、金额等字段的信息。 --- ### 方法二：图片型（扫描件）PDF 数据提取 若 PDF 是一张扫描图片而非结构化文档，则需结合光学字符识别 (OCR) 技术将图片转换成可编辑及搜索的文本。 1. 安装依赖库 - pytesseract: 免费开源的 OCR 引擎 https://github.com/tesseract-ocr/tesseract/releases 下载适合操作系统的版本并配置环境变量至系统路径下。 命令行执行：`pip install pytesseract Pillow` 2. 编码示例 ```python from PIL import Image import pytesseract import pdfplumber # 将PDF页面转为图片再做OCR分析 def ocr_pdf(pdf_path): all_texts = [] # 加载PDF文件 with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: image = page.to_image(resolution=150).original # 转换为图片 # 利用Tesseract进行OCR识别 text = pytesseract.image_to_string(image, lang='chi_sim+eng') # 根据需求调整语言包 all_texts.append(text.strip()) return "\n".join(all_texts) if __name__ == "__main__": result = ocr_pdf('your_invoice_scan.pdf') print(result) ``` 以上脚本通过加载每个单独页面将其渲染为图像对象之后运用 Tesseract 实现对复杂表单或手写体风格字体的支持良好效果。 --- ### 注意事项 - 对于非标准格式化的电子票据建议先确认其内部编码模式是否包含隐藏标签或者XML树形描述方便精准定位元素位置； - 部分加密保护过的商业敏感资料可能无法正常访问，请合法合规获取授权后再尝试自动化抓取动作；