基于Python的发票识别与机器学习（保姆式教程）

公众号：yk 坤帝
后台回复发票识别获取全部源代码

1.场景描述

2.准备环境

3.提取内容

1.提取发票金额
2.提取销售方名称
3.提取纳税人识别号
4.提取开票人

4.识别发票并保存到excel

5.发票验证真伪

1.申请百度AI应用
2.获取token
3.查验发票
4.税务局查询发票

6.扩展总结

大家好，我是坤哥！

坤哥今天来分享一篇办公干货文章：用Python批量识别发票并录入到Excel表格。对于财务专业等学生或者公司财务人员来说，将报账发票等汇总到excel简直就是一个折磨。坤哥就是学财务的，真是感同深受啊，今天就把具体流程方法发给大家。

尤其是到年底的时候，公司的财务人员面对一大堆的发票简直就是苦不堪言。正好我们学会了Python，我们应该将Python的优势发挥起来。在这里只给大家讲一下基于python的发票批量识别，另外还有基于机器学习的python的发票识别，感兴趣的可以先自己挖掘一下，我们来看看基于python的发票批量识别。

1.场景描述

这里有以四张发票为例（坤哥网上搜的），将发票图片放到pic文件夹下（放在任意文件夹都可以），先用四张批量识别一下。

随便打开一张发票。

提取目标：发票金额，销售方名称、纳税人识别号、发票开票人。

最后将每一张发票的这四个内容保存到excel中，如果有学过数据库的，还是建议直接储存在数据库中，也算是对数据库的复习了，毕竟一般情况下还是用数据库比较多：

2.准备环境

需要用到的库如下：


from PIL import Image as PI
import pyocr
import io
import pyocr.builders
from cnocr import CnOcr

安装的命令如下：

pip install pyocr
pip install cnocr
下面是需要用到的全部库，模块

发票中含有中文内容（一些机器学习的内容，大家只需要知道怎么用就可以了），我们需要对图片中的中文进行识别（页面识别）， cnocr 是一个不错的选择。（上面有使用方法）

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（相关配置尽量安装好）

需要安装的exe文件：

ImageMagick
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（可以在csdn上面）。

这两个软件最好还是安装上，之前好像不用安装也可以显示数据，报错可能不影响程序运行，不过最好还是安装一下，不然别的地方也报错的时候可能无法下手了。

3.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：pic1.jpg

from PIL import Image as PI
import pyocr
import io
import pyocr.builders
from cnocr import CnOcrtool = pyocr.get_available_tools()[0]
img_url = "pic1.png"
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，不同电脑可能坐标不一样。

注释是解析，按照自己的电脑调试位置。

from PIL import Image as PI
import pyocr
import io
import pyocr.builders
from cnocr import CnOcrtool = pyocr.get_available_tools()[0]
img_url = "pic1.png"
with open(img_url, 'rb') as f:a = f.read()
new_img = PI.open(io.BytesIO(a))#提取金额
# 金额
# left = 741
# top = 420
# right = 850
# bottom = 445
left = 645
top =360
right = 719
bottom = 385
image_text1 = new_img.crop((left, top, right, bottom))
#展示图片
image_text1.show()
txt1 = tool.image_to_string(image_text1)
print(txt1)

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，不要觉得麻烦，一步到位的话是不会提高的，代码还是要理解理解，自己敲一敲。

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

from PIL import Image as PI
import pyocr
import io
import pyocr.builders
from cnocr import CnOcrtool = pyocr.get_available_tools()[0]
img_url = "发票识别/pic1.png"
with open(img_url, 'rb') as f:a = f.read()
new_img = PI.open(io.BytesIO(a))#提取名称
left = 135
top = 390
right = 450
bottom = 410
image_obj2 = new_img.crop((left, top, right, bottom))
#image_obj2.show()image_obj2.save("tmp.png")
ocr = CnOcr()
res = ocr.ocr("tmp.png")
print(res[0][0])print("".join(res[0][0]))#print("".join('%s' %a for a in res))

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

from PIL import Image as PI
import pyocr
import io
import pyocr.builders
from cnocr import CnOcrtool = pyocr.get_available_tools()[0]
img_url = "pic1.png"
with open(img_url, 'rb') as f:a = f.read()
new_img = PI.open(io.BytesIO(a))#纳税人识别号
left = 135
top = 405
right = 450
bottom = 425
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

from PIL import Image as PI
import pyocr
import io
import pyocr.builders
from cnocr import CnOcrtool = pyocr.get_available_tools()[0]
img_url = "pic1.png"
with open(img_url, 'rb') as f:a = f.read()
new_img = PI.open(io.BytesIO(a))#提取开票人left = 458
top = 470
right = 570
bottom = 490
image_obj4 = new_img.crop((left, top, right, bottom))
#image_obj4.show()image_obj4.save("tmp.png")
ocr = CnOcr()
res = ocr.ocr("tmp.png")
#print("".join(res[0]))print("".join(res[0][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。

4.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。

from PIL import Image as PI
import pyocr
import io
import pyocr.builders
from cnocr import CnOcrtool = pyocr.get_available_tools()[0]
img_url = "pic1.png"
with open(img_url, 'rb') as f:a = f.read()
new_img = PI.open(io.BytesIO(a))

开始进行识别，并将结果写入到excel中。

#批量识别##写入到excelimport openpyxloutwb = openpyxl.Workbook()  # 打开一个将写的文件outws = outwb.create_sheet(index=0)  # 在将写的文件创建sheetoutws.cell(row=1, column=1, value="名称")outws.cell(row=1, column=2, value="纳税人识别号")outws.cell(row=1, column=3, value="金额")outws.cell(row=1, column=4, value="开票人")count = 2filePath = '发票识别'pic_name = []# for i,j,name in os.walk(filePath):#     pic_name = name# for i in pic_name[0:1]:#     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-坤哥.xls")  # 保存结果with open("发票识别/pic1.png", 'rb') as f:a = f.read()new_img = PI.open(io.BytesIO(a))## 写入csvoutws.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))outwb.save("发票汇总-坤哥.xls")  # 保存结果

最后保存为：发票汇总-坤哥.xls，其结果如下：

5.发票验证真伪

在坤哥的交流群里，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

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：

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。

6.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！

坤哥另最后讲一下基于python的发票识别，基于机器学习的发票识别，感兴趣的大家可以尝试一下，画了一个思维导图。

最后说一声：原创不易，求给个赞、收藏！

公众号：yk 坤帝
后台回复发票识别获取全部源代码