发票转Excel：实现发票自动化提取

财务、报销、审计场景中，发票信息录入Excel是高频但低效的工作。一张增值税发票上至少有十几个字段——发票代码、发票号码、开票日期、购买方/销售方信息、金额、税额、价税合计——纯手工敲，一张少说两分钟，还容易看错行。本文梳理几种主流方案，从最简单的手动技巧到基于OCR和大模型的自动化提取，帮你按业务量选对工具。

一、先搞清楚：你手里的发票是什么格式

不同来源的发票，处理难度天差地别：

关键判断点：如果是电子发票PDF，它内部大概率有可复制的文本层，不需要OCR，直接提取文字再做字段切分即可，准确率接近100%。只有扫描件和照片才需要OCR。

二、零成本方案：Excel自带功能 + 手动技巧

1. Power Query 从PDF取数（Excel 365 / 2021）

Excel的"数据 → 获取数据 → 从文件 → 从PDF"可以直接解析PDF中的表格。对于版式规整的电子发票，能自动识别出发票明细行。如果是图片格式的，可能不太好用。

操作路径：

1. 打开Excel，点击「数据」选项卡
2. 选择「获取数据」→「从文件」→「从PDF」
3. 选中发票PDF，Excel会列出文档中识别到的表格
4. 勾选需要的表，点击「转换数据」进入Power Query编辑器
5. 清洗后点击「关闭并上载」

局限：对单张发票的抬头信息（发票号码、日期等）识别不稳定，更适合提取发票里的商品明细表格。

2. 复制粘贴 + 文本分列

最朴素但最可靠的方式：打开PDF，全选复制，粘贴到Excel，然后用「数据 → 分列」按空格或分隔符拆分。配合Ctrl+E快速填充，对固定格式的发票字段提取效率很高。

例如把"发票号码：12345678"粘贴到A列，在B列输入第一个结果12345678，按Ctrl+E，Excel会自动推断规则并填充剩余行。

三、在线工具

每月几十到几百张发票，手动处理已经不现实，但又没必要上系统。这一档的核心是OCR结构化识别。

1. 发票处理成excel网站

• https://bankstatement-wizard.net/：支持pdf格式，图片格式的发票，通过AI技术，提取里面表格，转为excel 和 csv格式，非常好用，不会出现乱码问题

2. 发票专用OCR接口

百度AI、阿里云、腾讯云都提供"发票识别"API，针对增值税发票做过专项训练，能直接返回结构化JSON。典型调用流程：

1. 注册账号，开通发票识别服务，获取API Key
2. 上传发票图片/PDF，调用接口
3. 接口返回JSON，包含发票代码、号码、日期、购销方、金额、税额、明细行等字段
4. 用Python脚本把JSON写入Excel

以百度AI发票识别为例，返回的核心字段结构大致如下：

{"invoice_code":"011002000111","invoice_num":"12345678","invoice_date":"2024年03月15日","total_amount":"1000.00","total_tax":"130.00","amount_in_figures":"1130.00","seller_name":"某某科技有限公司","purchaser_name":"某某贸易有限公司","commodity_transaction_name":[{"name":"*信息技术服务*软件开发费","amount":"1000.00","tax_rate":"13%"}]}

拿到JSON后，用pandas一行代码就能导出Excel：

importpandasaspd df=pd.DataFrame([invoice_data])# invoice_data 为识别结果字典df.to_excel("发票汇总.xlsx",index=False)

成本参考：各家云厂商的发票识别API通常有免费额度，超出后每张约0.01-0.05元，几百张的成本可以忽略。

四、大批量 / 企业级方案：自动化流程

如果每月发票量上千张，或者需要和财务系统对接，建议搭建自动化流水线：

方案A：RPA + OCR

用UiPath、影刀、来也等RPA工具，配置一个流程：

1. 监听指定文件夹（如"待识别发票"）
2. 新文件进入后自动调用OCR接口
3. 识别结果写入共享Excel或数据库
4. 异常件（识别置信度低）自动标记并通知人工复核

方案B：全电发票直接解析XML

全面数字化的电子发票（全电发票）本身就是结构化数据。开票方交付的XML文件里，所有字段都有明确标签，根本不需要OCR。

importxml.etree.ElementTreeasETimportpandasaspd tree=ET.parse("全电发票.xml")root=tree.getroot()data={"发票号码":root.findtext(".//InvoiceNumber"),"开票日期":root.findtext(".//IssueDate"),"价税合计":root.findtext(".//TaxIncludedTotalAmount"),# ... 其余字段}pd.DataFrame([data]).to_excel("发票汇总.xlsx",index=False)

这是准确率最高、成本最低的方式——随着全电发票全面推行，未来发票转Excel的核心不再是"识别"，而是"数据对接"。

方案C：专业财务软件

用友、金蝶、每刻报销、合思等系统都自带发票识别和录入功能，上传发票后自动生成凭证，Excel只是中间导出格式。如果企业已经在用这类系统，不需要自己造轮子。

五、自己动手：一个极简Python脚本

如果你有一批电子发票PDF，想快速汇总到Excel，下面这个脚本可以作为起点。它用pdfplumber提取文本，用正则匹配关键字段，适合版式统一的电子发票。

importpdfplumberimportreimportpandasaspddefextract_invoice(pdf_path):withpdfplumber.open(pdf_path)aspdf:text="\n".join(page.extract_text()forpageinpdf.pages)deffind(pattern):m=re.search(pattern,text)returnm.group(1).strip()ifmelse""return{"发票号码":find(r"发票号码[:：]\s*(\d+)"),"开票日期":find(r"开票日期[:：]\s*([\d年月日]+)"),"价税合计":find(r"价税合计[^¥￥]*[¥￥]?\s*([\d.]+)"),"销售方":find(r"名称[:：]\s*(\S+公司)"),}# 批量处理文件夹下所有PDFimportglob results=[extract_invoice(f)forfinglob.glob("发票/*.pdf")]pd.DataFrame(results).to_excel("发票汇总.xlsx",index=False)

注意：正则匹配依赖发票版式，不同省份、不同开票系统的格式可能有差异，实际使用时需要根据样本调整。

六、避坑提醒

1. 扫描件分辨率：OCR识别前确保图片清晰度，建议300dpi以上，模糊的发票识别率会骤降。
2. 金额校验：提取后务必做一次"金额+税额=价税合计"的校验，不相等的大概率识别有误。
3. 发票真伪：OCR只能提取信息，不能验真。报销场景需要对接国税总局发票查验平台或第三方验真接口。
4. 重复录入：用发票号码+发票代码做唯一键去重，避免同一张发票被录入两次。
5. 数据安全：发票包含企业税号、金额等敏感信息，使用云端OCR服务时注意数据合规要求，涉密企业建议部署本地OCR模型。

七、选型建议总结

发票转Excel本质上是一个"非结构化数据 → 结构化数据"的问题。电子发票普及后，这个问题正在从"图像识别"转向"数据解析"，技术门槛越来越低。如果你只是偶尔处理，Excel自带功能就够了；如果是重复性工作，花半小时写个脚本或配个RPA流程，省下的时间远不止这点投入。