影刀RPA实操指南：PDF文档处理实战——发票信息提取、合同解析与批量报告生成
影刀RPA处理PDF文件是很多财务和运营岗位的刚需。发票OCR提取信息、合同关键字段解析、批量生成PDF报告——这些事情手动干一整天，用影刀配合Python，10分钟搞定。
作者：林焱 | 影刀RPA实操系列
场景一：发票PDF信息提取
收到一堆电子发票PDF，需要提取：发票代码、发票号码、开票日期、金额、税额、销售方名称。
Python的pdfplumber库是专门干这个的：
拼多多店群自动化上架方案
importpdfplumberimportreimportpandasaspdimportosdefextract_invoice_info(pdf_path):"""从发票PDF提取核心字段"""result={'文件名':os.path.basename(pdf_path),'发票代码':'','发票号码':'','开票日期':'','金额':'','税额':'','销售方':''}withpdfplumber.open(pdf_path)aspdf:forpageinpdf.pages:text=page.extract_text()ifnottext:continue# 发票号码：通常是10位或20位数字invoice_no=re.search(r'发票号码[:\s]*(\d+)',text)ifinvoice_no:result['发票号码']=invoice_no.group(1)# 日期date_match=re.search(r'开票日期[:\s]*(\d{4}年\d{2}月\d{2}日)',text)ifdate_match:result['开票日期']=date_match.group(1)# 金额（小写合计）amount=re.search(r'小写[:\s]*[¥￥]?\s*([\d,]+\.\d{2})',text)ifamount:result['金额']=amount.group(1).replace(',','')# 税额tax=re.search(r'税额[:\s]*[¥￥]?\s*([\d,]+\.\d{2})',text)iftax:result['税额']=tax.group(1).replace(',','')# 销售方名称（"名称："后面的公司名称）seller=re.search(r'名称[:\s]*([\u4e00-\u9fff（）\(\)有限公司]{4,40})',text)ifseller:result['销售方']=seller.group(1)returnresult# 批量处理defbatch_extract(folder_path):all_results=[]forfilenameinos.listdir(folder_path):iffilename.endswith('.pdf'):filepath=os.path.join(folder_path,filename)info=extract_invoice_info(filepath)all_results.append(info)print(f"处理完成:{filename}")# 保存结果df=pd.DataFrame(all_results)df.to_excel("发票信息汇总.xlsx",index=False)print(f"共处理{len(all_results)}张发票")场景二：合同PDF关键条款解析
合同PDF需要提取：合同编号、甲方乙方、合同金额、生效日期、到期日期。
importpdfplumberimportrefromdatetimeimportdatetimedefextract_contract(pdf_path):result={'文件名':os.path.basename(pdf_path)}withpdfplumber.open(pdf_path)aspdf:full_text=''forpageinpdf.pages:text=page.extract_text()iftext:full_text+=text+'\n'# 合同编号contract_no=re.search(r'合同编号[：:\s]*([A-Za-z0-9\-]+)',full_text)ifcontract_no:result['合同编号']=contract_no.group(1)# 甲方party_a=re.search(r'甲方[：:\s]*[（(]?甲方[)）]?[：:\s]*([\u4e00-\u9fff（）()有限公司]{4,40})',full_text)ifnotparty_a:# 备选："甲方："后面的公司名称party_a=re.search(r'甲方[：:]\s*([\u4e00-\u9fff（）()有限公司]{4,40})',full_text)ifparty_a:result['甲方']=party_a.group(1)# 乙方（同理）party_b=re.search(r'乙方[：:]\s*([\u4e00-\u9fff（）()有限公司]{4,40})',full_text)ifparty_b:result['乙方']=party_b.group(1)# 合同金额amount=re.search(r'(?:合同.*?金额|总金额|合同总价)[：:]*\s*[¥￥]?\s*([\d,]+(?:\.\d{1,2})?)',full_text)ifamount:result['合同金额']=amount.group(1).replace(',','')# 日期start_date=re.search(r'(?:生效日期|开始日期)[：:]*\s*(\d{4}[-年]\d{1,2}[-月]\d{1,2}[日]?)',full_text)end_date=re.search(r'(?:终止日期|到期日期|结束日期)[：:]*\s*(\d{4}[-年]\d{1,2}[-月]\d{1,2}[日]?)',full_text)ifstart_date:result['生效日期']=start_date.group(1)ifend_date:result['到期日期']=end_date.group(1)# 计算是否即将到期（30天内）try:end=datetime.strptime(end_date.group(1).replace('年','-').replace('月','-').replace('日',''),'%Y-%m-%d')days_left=(end-datetime.now()).days result['剩余天数']=days_left result['状态']='即将到期'ifdays_left<=30else'有效'except:passreturnresult场景三：PDF报告自动生成
采集完数据，自动生成PDF报告。用reportlab库：
fromreportlab.lib.pagesizesimportA4fromreportlab.pdfgenimportcanvasfromreportlab.pdfbaseimportpdfmetricsfromreportlab.pdfbase.ttfontsimportTTFontfromdatetimeimportdatetimedefgenerate_report(data_summary,output_path):"""生成带图表的PDF报告"""# 注册中文字体（需要预先下载字体文件）# pdfmetrics.registerFont(TTFont('SimSun', 'C:/Windows/Fonts/simsun.ttc'))c=canvas.Canvas(output_path,pagesize=A4)width,height=A4# 标题c.setFont("Helvetica-Bold",20)c.drawString(50,height-50,f"自动化数据采集报告")# 生成日期c.setFont("Helvetica",12)c.drawString(50,height-80,f"生成时间：{datetime.now().strftime('%Y-%m-%d %H:%M')}")# 数据摘要c.setFont("Helvetica-Bold",14)c.drawString(50,height-130,"数据概览")c.setFont("Helvetica",12)y=height-160forkey,valueindata_summary.items():c.drawString(70,y,f"{key}：{value}")y-=25# 表格区域c.setFont("Helvetica-Bold",14)c.drawString(50,y-10,"核心指标")# 画表格线table_top=y-40col_widths=[150,200,200]headers=['指标','今日','昨日']x_start=50fori,headerinenumerate(headers):c.setFont("Helvetica-Bold",10)c.drawString(x_start+sum(col_widths[:i]),table_top,header)# 底部说明c.setFont("Helvetica",9)c.drawString(50,30,"本报告由影刀RPA自动生成，如有疑问请联系数据分析团队。")c.save()print(f"报告已生成：{output_path}")在影刀里调用
影刀流程中调用 Python 脚本处理 PDF：
1. 获取文件夹路径（用户输入或固定路径） 2. 执行Python脚本：batch_extract(folder_path) 3. 等待脚本执行完成 4. 读取生成的结果Excel：发票信息汇总.xlsx 5. [video(video-rFgNK1Ft-1781254005828)(type-csdn)(url-https://live.csdn.net/v/embed/524993)(image-https://v-  blog.csdnimg.cn/asset/a547123d88ad712dccba346c9217e237/cover/Cover0.jpg)(title-TEMU店群如何管理运营？)] 6. （可选）将结果发送到企业微信群 7. 移动已处理的PDF到 "processed" 文件夹小结
PDF处理的三大场景：
- 发票提取：pdfplumber + 正则，专门抓数字和金额
- 合同解析：全文正则匹配，提取结构化字段
- 报告生成：reportlab 自动排版输出
核心思路是"PDF转文本再用正则提取"，不依赖特定的PDF排版，容错率高。
内容标签：影刀RPA / PDF处理 / pdfplumber / 发票提取 / 合同解析
作者：林焱
本文是「影刀RPA从零到实战」系列文章之一，持续更新实操技巧与避坑经验。
