从电子邮件中提取电子发票并使用OCR进行去重

为了实现从电子邮件中提取电子发票并使用OCR进行去重，可以使用Python的IMAP库来读取邮件，并结合Tesseract OCR来处理发票图片。最终通过哈希算法来去重发票信息。

### 实现步骤

1. 使用IMAP库连接到邮箱并获取邮件内容。
2. 解析邮件，提取附件中的电子发票图片。
3. 使用Tesseract OCR对图片进行文字识别，提取发票信息。
4. 使用哈希算法来去重。
5. 将去重后的电子发票信息保存或处理。

### 示例代码

下面是一个完整的示例代码，展示了如何实现这一功能：

import imaplib
import email
from email.header import decode_header
import re
import hashlib
import pytesseract
from PIL import Image
import io

# 邮箱配置
imap_host = 'imap.example.com'
imap_user = 'your_email@example.com'
imap_pass = 'your_password'

# Tesseract OCR 配置
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 连接到邮箱
mail = imaplib.IMAP4_SSL(imap_host)
mail.login(imap_user, imap_pass)
mail.select('inbox')

# 搜索所有邮件
status, messages = mail.search(None, 'ALL')

# 存储提取的发票信息
invoices = set()

# 解析每封邮件
for num in messages[0].split():
status, msg_data = mail.fetch(num, '(RFC822)')
for response_part in msg_data:
if isinstance(response_part, tuple):
msg = email.message_from_bytes(response_part[1])
subject, encoding = decode_header(msg["Subject"])[0]
if isinstance(subject, bytes):
subject = subject.decode(encoding if encoding else 'utf-8')
# 检查是否包含发票信息
if "发票" in subject:
for part in msg.walk():
# 检查附件
if part.get_content_maintype() == 'multipart':
continue
if part.get('Content-Disposition') is None:
continue
file_data = part.get_payload(decode=True)
if file_data:
# 使用PIL处理图像
image = Image.open(io.BytesIO(file_data))
# 使用OCR提取文字
ocr_result = pytesseract.image_to_string(image, lang='chi_sim')
# 使用正则表达式提取发票信息
invoice_pattern = re.compile(r'发票号:\s*(\w+)\s*金额:\s*(\d+\.\d{2})')
matches = invoice_pattern.findall(ocr_result)
for match in matches:
invoice_number, amount = match
# 使用哈希算法来去重
invoice_hash = hashlib.md5(f"{invoice_number}{amount}".encode()).hexdigest()
if invoice_hash not in invoices:
invoices.add(invoice_hash)
print(f"发票号: {invoice_number}, 金额: {amount}")

# 关闭邮箱连接
mail.close()
mail.logout()

 

### 解释

1. **邮箱配置**：配置IMAP服务器地址、邮箱账号和密码。
2. **连接到邮箱**：使用IMAP库连接到邮箱并选择收件箱。
3. **搜索所有邮件**：使用IMAP的`search`方法搜索所有邮件。
4. **解析邮件内容**：遍历每封邮件，检查邮件主题是否包含“发票”关键词，并提取附件中的发票图片。
5. **OCR识别**：使用Tesseract OCR识别发票图片中的文字，提取发票号和金额。
6. **去重**：使用MD5哈希算法对发票信息进行去重处理，避免重复记录。
7. **输出结果**：打印去重后的发票信息。

### 建议的下一步

**a.** 优化正则表达式模式，以适应不同格式的发票信息，提高提取准确性。

**b.** 将提取的发票信息保存到数据库或导出为Excel文件，以便后续处理和查询。