代码收藏家技术教程 2025-01-04

发票智能识别系统：Python构建的高效发票处理与智能分析解决方案

随着现代企业数字化转型的不断深入，企业财务管理和税务合规面临着大量的发票处理需求。传统的发票录入方式依赖于大量人工，效率低下且容易出错。如何实现发票自动化处理和智能分析，成为了提升企业财务运营效率的关键点。为了解决这些痛点，我们开发了一款基于Python的发票智能识别系统，能够快速处理图片或PDF格式的发票，并通过大模型进行智能分析。

预览：

完整源码获取地址：发票智能识别系统

系统功能概述

我们的发票智能识别系统具备以下核心功能：

多格式发票识别：支持图片和PDF格式发票的自动识别。
阿里云通义千问大模型分析：通过接入大模型，对发票内容进行深入的智能分析。
自动化数据提取：能够精准提取发票的关键信息，如发票号码、开票日期、购销双方信息等。
多线程处理：保障大批量发票处理的效率，系统操作流畅不卡顿。
数据导出：支持将处理后的发票信息导出为Excel格式，方便进一步使用。

系统开发架构与技术栈

我们系统的开发基于Python，结合了PyQt5、pdfplumber、百度OCR和阿里云通义千问大模型等技术，构建了一个高度自动化的发票处理平台。

PyQt5：用于开发用户友好的图形界面（GUI）。

pdfplumber：用于PDF发票的文本提取。

百度OCR：处理图片格式发票的OCR识别。

阿里云通义千问大模型：用于发票内容的智能分析。

多线程处理：通过QThread模块实现多线程调用，保证系统高效处理。

代码实现：发票处理核心功能

以下是我们的发票识别系统的部分关键代码，展示了如何处理PDF和图片格式的发票，并通过阿里云通义千问大模型进行分析。

1. PDF 发票处理模块

我们使用 pdfplumber 库来从 PDF 文件中提取文本，获取发票的各类关键信息：

import pdfplumber
import re

class PDFInvoiceProcessor:
    def __init__(self):
        pass

    def extract_invoice_data_from_pdf(self, pdf_path):
        """从PDF中提取发票信息"""
        data = {
            '发票种类': '', '发票号码': '', '开票日期': '',
            '购买方名称': '', '购买方税号': '',
            '销售方名称': '', '销售方税号': '',
            '项目名称': '', '金额': '', '税额': '', '税率': '', '合计金额': ''
        }

        try:
            with pdfplumber.open(pdf_path) as pdf:
                first_page = pdf.pages[0]
                full_text = first_page.extract_text()

                if full_text:
                    data['发票号码'] = self.match_field(full_text, r'发票号码[:：]?\s*([0-9\s]+)')
                    data['开票日期'] = self.match_field(full_text, r'开票日期[:：]?\s*(\d{4}年\d{1,2}月\d{1,2}日)')
                    
                    names = re.findall(r'名称[:：]?\s*([\u4e00-\u9fa5A-Za-z0-9]+)', full_text)
                    if len(names) >= 2:
                        data['购买方名称'], data['销售方名称'] = names[0], names[1]
                    
                    tax_ids = re.findall(r'纳税人识别号[:：]?\s*([A-Z0-9]{15,18})', full_text)
                    if len(tax_ids) >= 2:
                        data['购买方税号'], data['销售方税号'] = tax_ids[0], tax_ids[1]

        except Exception as e:
            print(f"处理PDF时出错: {str(e)}")
        
        return data

    def match_field(self, text, pattern, default=''):
        """通过正则表达式匹配字段"""
        match = re.search(pattern, text)
        return match.group(1).strip() if match else default

通过 pdfplumber，我们能够提取发票上的关键信息，比如发票号码、开票日期、购销双方信息等。然后利用正则表达式进行字段匹配，确保提取的信息准确无误。

2. 多线程处理大模型调用

在发票内容提取完成后，系统将通过多线程调用阿里云通义千问大模型进行智能分析，避免阻塞主线程，提升用户体验。

from PyQt5.QtCore import QThread, pyqtSignal
import dashscope

class QwenModelThread(QThread):
    progress_signal = pyqtSignal(int)  # 进度信号
    result_signal = pyqtSignal(str)    # 结果信号

    def __init__(self, text, api_key):
        super().__init__()
        self.text = text
        self.api_key = api_key

    def run(self):
        """调用大模型进行发票内容智能分析"""
        try:
            responses = dashscope.Generation.call(
                "qwen-max",
                messages=[{'role': 'user', 'content': f'请分析以下发票内容并提取有用信息：\n{self.text}'}],
                api_key=self.api_key,
                stream=True, incremental_output=True
            )

            full_response = ""
            for response in responses:
                if response.status_code == HTTPStatus.OK:
                    full_response += response.output.choices[0]['message']['content']
                    self.progress_signal.emit(50)  # 更新进度
                else:
                    break

            self.result_signal.emit(full_response)
        
        except Exception as e:
            self.result_signal.emit(f"调用出错: {str(e)}")

在大模型调用过程中，系统通过 QThread 实现了异步处理，避免了长时间等待阻塞主线程的问题。大模型的响应结果会通过信号传递给主界面进行展示。

3. GUI 界面与发票处理结合

为了让用户操作更加便捷，我们通过PyQt5构建了一个图形化界面。用户可以通过界面导入发票，并实时查看识别进度和结果。

from PyQt5.QtWidgets import QMainWindow, QFileDialog, QMessageBox
from PyQt5.QtCore import QThread
from PDFInvoiceProcessor_new import PDFInvoiceProcessor, QwenModelThread

class MainApp(QMainWindow):
    def __init__(self):
        super(MainApp, self).__init__()
        self.setupUi(self)
        self.pdf_processor = PDFInvoiceProcessor()

        # 连接导入PDF按钮
        self.pushButton_clickImportPDF.clicked.connect(self.import_single_pdf)

    def import_single_pdf(self):
        """处理单个PDF文件并调用大模型分析"""
        pdf_path, _ = QFileDialog.getOpenFileName(self, "选择PDF", "", "PDF Files (*.pdf)")

        if pdf_path:
            result, full_text = self.pdf_processor.extract_invoice_data_from_pdf(pdf_path)

            if full_text:
                # 启动多线程调用大模型
                self.thread = QwenModelThread(full_text, 'your-api-key-here')
                self.thread.progress_signal.connect(self.update_progress)
                self.thread.result_signal.connect(self.display_analysis)
                self.thread.start()

    def update_progress(self, progress):
        self.progressBar.setValue(progress)

    def display_analysis(self, result):
        self.textEdit.setText(result)

用户点击按钮后，系统会提取发票内容，并启动多线程调用阿里云通义千问大模型进行智能分析。分析完成后，结果会自动展示在界面中。

4. Excel导出功能

为了满足企业财务数据整理需求，系统还支持将提取到的发票信息一键导出到Excel文件中，方便后续对账和报税操作。

import pandas as pd
from openpyxl import load_workbook

def export_to_excel(self):
    """导出发票信息为Excel"""
    file_path, _ = QFileDialog.getSaveFileName(self, "保存文件", "", "Excel Files (*.xlsx)")

    if file_path:
        data = [...]  # 从表格中提取数据
        df = pd.DataFrame(data)
        df.to_excel(file_path, index=False)

这一功能能够帮助企业快速整理大批量的发票数据，并保存为标准格式的Excel文件，大大提高了工作效率。