OCR识别发票内容

import pytesseract as pt
from PIL import Image
import os
import fitz
import xlwt
import re

进程调度路径

sb_path = r"C:\Program Files\Tesseract-OCR\tesseract.exe"

指定调度进程

pt.pytesseract.tesseract_cmd = sb_path

pdf路径

file_ph = input('请输入pdf存放路径:') # C:\Users\LKM\Desktop\ocr\新建文件夹\pdf

需解析文件路径

file_ph_deal = file_ph + '\信息提取\'

公共变量-pdf清单提取

pdf_dir = []

公共变量-图片解析内容

r_png_txt = []

公共变量-图片解析清单

r_png_txts = []

提取pdf的图片

try:

# 1.转换个数计数器
is_2pic_ok = 0
# 2.处理路径初始化
if not os.path.isdir(file_ph_deal):
    os.mkdir(file_ph_deal)
# 3.优先删除路径下所有png文件
for file_p, k_file_p, file_dir in os.walk(file_ph_deal):
    for file in os.scandir(file_p):
        if file.name.endswith(".png"):  # 指定文件类型
            os.remove(file_p + "\\" + file.name)
# 4.提取路径下所有pdf文件
docunames = os.listdir(file_ph)
for docuname in docunames:
    if os.path.splitext(docuname)[1] == '.pdf':  # 目录下包含.pdf的文件
        pdf_dir.append(docuname)
pdf_dir.sort()
# 5.遍历pdf,提取生成图片
for pdf in pdf_dir:
    print("处理文件:" + pdf)
    file_pdf = file_ph + '\\' + pdf
    # 解析后图片名前置内容获取,截取用
    file_deal = file_ph_deal + '\\' + pdf
    doc = fitz.open(file_pdf)
    # 循环读取pdf页签的内容
    for pg in range(doc.pageCount):
        page = doc[pg]
        # 每个尺寸的缩放系数为2,这将为我们生成分辨率提高四倍的图像。
        trans = fitz.Matrix(2.0, 2.0).preRotate(int(0))
        png_name = os.path.splitext(file_deal)[0] + str(pg) + '.png'
        pm = page.getPixmap(matrix=trans, alpha=False)
        pm.writePNG(png_name)
        # 获取主图片
        img_main = Image.open(png_name)
        # 进行旋转90
        out = img_main.transpose(Image.ROTATE_270)
        # 处理文件保存
        out.save(png_name)
        # 重新读取
        img_main = Image.open(png_name)

        # 图片拆分截取识别
        size = img_main.size
        # 获取长和宽
        weight = int(size[0])
        height = int(size[1])
        # 1.解析单号
        weight_x1 = int(weight * 1287 / 1684)
        height_y1 = int(height * 90 / 1191)
        weight_x2 = int(weight * 1441 / 1684)
        height_y2 = int(height * 139 / 1191)
        box = (weight_x1, height_y1, weight_x2, height_y2)
        region = img_main.crop(box)
        region.save(os.path.splitext(file_deal)[0] + str(pg) + '-1.png')
        img = Image.open(os.path.splitext(file_deal)[0] + str(pg) + '-1.png')
        img = img.convert('L')  # 灰度
        img.load()
        text = pt.image_to_string(img, lang="chi_sim")
        new_text = text.replace(' ', '').replace("\n", "").replace("\x0c","") # 替换空行及空格
        r_png_txt.append(new_text)
        # 2.解析货物名称
        weight_x1 = int(weight * 290 / 1684)
        height_y1 = int(height * 319 / 1191)
        weight_x2 = int(weight * 541 / 1684)
        height_y2 = int(height * 363 / 1191)
        box = (weight_x1, height_y1, weight_x2, height_y2)
        region = img_main.crop(box)
        region.save(os.path.splitext(file_deal)[0] + str(pg) + '-2.png')
        img = Image.open(os.path.splitext(file_deal)[0] + str(pg) + '-2.png')
        img = img.convert('L')  # 灰度
        img.load()
        text = pt.image_to_string(img, lang="chi_sim")
        new_text = text.replace(' ', '').replace("\n", "").replace("\x0c","")  # 替换空行及空格
        new_text = re.sub('[\W_+]', "", new_text)
        r_png_txt.append(new_text)
        # 3.解析销售方名称
        weight_x1 = int(weight * 460 / 1684)
        height_y1 = int(height * 600 / 1191)
        weight_x2 = int(weight * 900 / 1684)
        height_y2 = int(height * 630 / 1191)
        box = (weight_x1, height_y1, weight_x2, height_y2)
        region = img_main.crop(box)
        region.save(os.path.splitext(file_deal)[0] + str(pg) + '-3.png')
        img = Image.open(os.path.splitext(file_deal)[0] + str(pg) + '-3.png')
        img = img.convert('L')  # 灰度
        img.load()
        text = pt.image_to_string(img, lang="chi_sim")
        new_text = text.replace(' ', '').replace("\n", "").replace("\x0c","")  # 替换空行及空格
        new_text = re.sub('[\W_+]', "", new_text)
        r_png_txt.append(new_text)
        # 4.解析金额
        weight_x1 = int(weight * 1063 / 1684)
        height_y1 = int(height * 321 / 1191)
        weight_x2 = int(weight * 1203 / 1684)
        height_y2 = int(height * 380 / 1191)
        box = (weight_x1, height_y1, weight_x2, height_y2)
        region = img_main.crop(box)
        region.save(os.path.splitext(file_deal)[0] + str(pg) + '-4.png')
        img = Image.open(os.path.splitext(file_deal)[0] + str(pg) + '-4.png')
        img = img.convert('L')  # 灰度
        img.load()
        text = pt.image_to_string(img, lang="chi_sim")
        new_text = text.replace(' ', '').replace("\n", "").replace("\x0c","").split("|")[0] # 替换空行及空格
        r_png_txt.append(new_text)
        r_png_txts.append(r_png_txt)
        # 重置
        r_png_txt=[]
    # 处理计数器+1
    is_2pic_ok += 1
if is_2pic_ok==0:
    print('未检测到pdf文件,未转换!')
# 5.再次删除路径下临时png文件
for file_p, k_file_p, file_dir in os.walk(file_ph_deal):
    for file in os.scandir(file_p):
        if file.name.endswith(".png"):  # 指定文件类型
            os.remove(file_p + "\\" + file.name)
# 6.生成Excel
wfile = file_ph_deal + '\\发票识别结果.xls'
we = xlwt.Workbook()  # 创建一个Excel对象
sh = we.add_sheet('sheet1', cell_overwrite_ok=True)  # 某个单元格可以复写,多次写入不报错
# 初始化表头
sh.write(0,0,"发票单号")
sh.write(0,1,"货物名称")
sh.write(0,2,"销售商名称")
sh.write(0,3,"金额")
for i in range(len(r_png_txts)):  # 读行
    for j in range(4):  # 读列
        sh.write(i+1, j, r_png_txts[i][j])  # 在第i行第1列写内容
we.save(wfile)

except Exception as e:
print(e)

os.system('pause')

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 205,386评论 6 479
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 87,939评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 151,851评论 0 341
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,953评论 1 278
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,971评论 5 369
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,784评论 1 283
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,126评论 3 399
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,765评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,148评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,744评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,858评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,479评论 4 322
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,080评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,053评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,278评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,245评论 2 352
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,590评论 2 343

推荐阅读更多精彩内容

  • 转自:https://weibo.com/ttarticle/p/show?id=2309404129469920...
    xpf2000阅读 4,714评论 0 48
  • Python资源大全中文版,包括:Web框架、网络爬虫、模板引擎、数据库、数据可视化、图片处理等,由伯乐在线持续更...
    dxl1236阅读 4,621评论 2 33
  • python 也是很值得学习的一门工具。学好python和R。 1环境管理 管理 Python 版本和环境的工具 ...
    Liam_ml阅读 4,803评论 1 51
  • Python 资源大全中文版 awesome-python[https://github.com/vinta/aw...
    万色星辰阅读 9,762评论 0 256
  • 表情是什么,我认为表情就是表现出来的情绪。表情可以传达很多信息。高兴了当然就笑了,难过就哭了。两者是相互影响密不可...
    Persistenc_6aea阅读 124,118评论 2 7