PythonでPDFのOCR処理と電子帳簿保存法準拠のファイル名自動生成する！

pip install pdf2image
pip install pytesseract

# pdf2imageをインポート: PDFファイルを画像ファイルに変換するためのライブラリ。
# 事前にpopplerをインストールして、環境変数PATHに追加する必要があります。
# https://github.com/oschwartz10612/poppler-windows/releases/ から  Release-xxxxx.zipをダウンロードして展開 

# pip install pdf2image
import pdf2image

# pytesseractをインポート: Tesseract-OCRエンジンをPythonから使用するためのライブラリ。
# 事前にTesseract-OCRをインストールして、環境変数PATHに追加する必要があります。
# https://github.com/tesseract-ocr/tessdoc から Windows - Tesseract at UB Mannheim をクリックして tesseract-ocr-w64-setup-xxxxx.exe (64 bit)を展開

# pip install pytesseract 
import pytesseract

# tempfileをインポート: 一時ファイルや一時ディレクトリを作成するためのライブラリ。
import tempfile

# OCRで読み込みしたテキストから正規表現で文字列取得用 ※read_pdf関数では未利用
import re



def read_pdf(pdf_path):
    """
    PDFファイルをOCRを使用してテキストに変換する関数。
    
    Args:
        pdf_path (str): 変換したいPDFファイルのパス。
        
    Returns:
        str: OCRにより変換されたテキスト。
    """
    
    # ※PDFから画像への変換時に生成される一時ファイルを保存。
    with tempfile.TemporaryDirectory() as path:
        # PDFファイルを画像に変換。
        pdfimage = pdf2image.convert_from_path(pdf_path, output_folder=path)
        
        # 変換された画像からテキストを抽出し、結果を結合するための空文字列を初期化。
        text = ''
        # 変換された画像のリストをループ処理。
        for img in pdfimage:
            # 画像からテキストを抽出、lang='jpn'オプションで日本語指定。
            text += pytesseract.image_to_string(img, lang = 'jpn')
            
    # 変換されたテキストを返す。
    return text

def read_ocr_text(text):
    """
    指定されたテキストから電子帳簿保存法用の取引日、取引先、取引金額を取得します。
    
    Args:
        text (str): 数値を抽出する対象のテキスト。
        
    Returns:
        file_name (str): ファイル名を返す。取引日_取引先_取引金額
        
    """
    file_name = ""
    
    ##### 請求日の取得 #####
    # 「請求日:」の位置を見つける
    start_index = text.find("請求日:") + len("請求日:")
    # 次の改行コードの位置を見つける
    end_index = text.find("\n", start_index)
    # 起点から改行コードまでの文字列を取得
    result = text[start_index:end_index].strip()
    # 「/」を除く
    result = result.replace('/', '')
    # print("請求日："+ result)
    # ファイル名をつける
    file_name = result
    
    ##### 取引先の取得 #####
    # 「上げます。」の位置を見つける
    start_index = text.find("上げます。") + len("上げます。")
    # 次の改行コードの位置を見つける
    end_index = text.find("\n", start_index)
    # 起点から改行コードまでの文字列を取得
    result = text[start_index:end_index].strip()
    # print("取引先："+ result)
    # ファイル名をつける
    file_name += "_" + result
    
    
    ##### 合計の取得 #####
    # 「合計」から「円」までのパターンを探す正規表現。
    pattern = r"合計\s+([\d,.]+)\s*円"
    
    # 正規表現でテキストを検索
    match = re.search(pattern, text)
    
    # マッチした場合、数字のみを取得し整数型に変換
    result = ""
    if match:
        # 数字のみを取得
        result = ''.join(re.findall(r'\d', match.group(1)))
    # print("合計："+ result)
    
    # ファイル名をつける
    file_name += "_" + result
    
    return file_name







##############################################################
# 関数のテスト
if __name__ == "__main__":
    
    
    # PDFファイルのパスを指定。
    pdf_path = "C:\\testinvicepdf\\invoice.pdf"
    # pdf_to_text関数を呼び出し、指定されたPDFファイルからテキストを抽出。
    extracted_text = read_pdf(pdf_path)

    # 請求日、合計、取引先を取得してファイル名とする
    file_name = read_ocr_text(extracted_text)
    print("#############################################################")
    print("ファイル名：" + file_name + ".pdf")

    # OCR化されたテキストをすべて出力。
    print("#############################################################")
    print(extracted_text)

#############################################################
ファイル名：20240210_株式会社緑左官工事_3284160.pdf
#############################################################
青空建設株式会社 御中                No.   1001
請求日: 2024/02/10

下記のとおり、御請求申し上げます。                       株式会社緑左官工事
件名 AA橋梁補修工事                                           〒100-0001
支払期限 2024/03/10                           愛知県名古屋市緑区鳴海1-1-1
振込先 藤が丘銀行 本店 普通 1234567                 名古屋左官ビル5F
口座名義 カミド見か9                          TEL: 052-000-0000
FAX: 052-100-0000
スュ                                       担当 : 左官 太朗
合計         3.284,160 円            登録番号 : T1234567890123

AA橋梁補修工事                                                        1| 式          1.985,600| 109%         1.985,600
コンクリート                                                          100| m3              10.000| 109%         1.000,000
※は軽減税率対象                                                                                                                2.985,600
税率別内訳                税抜金額           消費税額                                                                      298,560
10%対象               2,985,600        298,560                                                                3,284,160

軽減896対旬                         0                0

0%対象                         0                0

備考

工事番号 : 202305671