当前位置：首页 > wzjs >正文

深圳网站建设制作设计公司西安百度百科

wzjs 2025/8/2 10:04:46

深圳网站建设制作设计公司,西安百度百科,南通网站建设方法,wordpress dashboard_activity基于OpenAI API实现PDF发票信息提取 1. 引言在日常办公中，企业和个人经常需要处理大量的发票数据，包括提取发票代码、发票号码、开票日期、金额等关键信息。手动录入这些信息费时费力，因此自动化发票信息提取成为刚需。本文将介绍如何利…

基于OpenAI API实现PDF发票信息提取

1. 引言

在日常办公中，企业和个人经常需要处理大量的发票数据，包括提取发票代码、发票号码、开票日期、金额等关键信息。手动录入这些信息费时费力，因此自动化发票信息提取成为刚需。

本文将介绍如何利用 OpenAI API 和 PyMuPDF (即 fitz) 实现 PDF 发票的自动信息提取。代码将解析 PDF 文件内容，并通过 AI 模型精准提取相关字段。

2. 依赖环境

在实现该功能之前，需要安装以下 Python 依赖库：

pip install openai pymupdf

此外，需要在 config.py 中配置 API Key 及 PDF 文件路径。

3. 代码实现

3.1 完整代码

from openai import OpenAI
import fitz  # PyMuPDF
import config  # 需要配置API Key和PDF路径def get_pdf_text(pdf_path):doc = fitz.open(pdf_path)markdown_text = ""for page_num in range(len(doc)):page = doc[page_num]blocks = page.get_text("dict")["blocks"]for block in blocks:if "lines" in block:for line in block["lines"]:for span in line["spans"]:text = span["text"]markdown_text += f"{text}"markdown_text += "\n"return markdown_textdef create_invoice_extraction_prompt(invoice_text):prompt = f"""
请分析以下发票文本，准确提取以下信息：
1. 发票代码
2. 发票号码
3. 开票日期
4. 价税合计的小写金额
5. 销售方名称
6. 消费类型（如：餐饮、交通、办公用品、通讯等）请务必仔细分析商品或服务内容，据此判断消费类型。
如果无法确定某项信息，请标注为"未找到"。发票文本:
{invoice_text}请以 JSON 格式返回结果:
{{"发票代码": "","发票号码": "","开票日期": "","价税合计": "","销售方名称": "","消费类型": ""
}}
"""return prompt# 初始化 OpenAI 客户端
client = OpenAI(api_key=config.DASHSCOPE_API_KEY,base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)sample_invoice_text = get_pdf_text(config.PDF_PATH)# 创建聊天完成请求
completion = client.chat.completions.create(model="qwq-32b",  # 可按需更换模型名称messages=[{"role": "user", "content": create_invoice_extraction_prompt(sample_invoice_text)}],stream=True,
)reasoning_content = ""  # 记录思考过程
answer_content = ""     # 记录最终答案
is_answering = False   # 标记是否已进入回复阶段print("\n" + "=" * 20 + "思考过程" + "=" * 20 + "\n")for chunk in completion:if not chunk.choices:print("\nUsage:")print(chunk.usage)else:delta = chunk.choices[0].deltaif hasattr(delta, 'reasoning_content') and delta.reasoning_content:print(delta.reasoning_content, end='', flush=True)reasoning_content += delta.reasoning_contentelse:if delta.content and not is_answering:print("\n" + "=" * 20 + "完整回复" + "=" * 20 + "\n")is_answering = Trueprint(delta.content, end='', flush=True)answer_content += delta.contentprint("\n\n" + "=" * 50)
print("提取结果:")
print(answer_content)