电子发票格式PDF转XML_电子发票PDF转XML专用方案

不能。pdf电子发票无法用pdf2xml或pdftotext直接提取合规XML，因其仅输出布局文本，不含语义结构；必须通过ocr+规则解析或调用税务API提取嵌入的InvoiceData XML，且生成XML须符合国税规范并完成数字签名验签。

PDF 里的电子发票能直接用 pdf2xml 或 pdftotext 提取结构化 XML 吗？

不能。普通 PDF 转换工具输出的是布局文本或简单 html，不含发票语义（如 InvoiceNo、BuyerTaxID、LineItem），更不会生成符合国家税务总局《电子发票公共服务平台接口规范》的 XML 结构。直接硬转只会得到乱序段落、错位表格、缺失签名字段。

真正可用的路径只有两条：OCR + 规则解析，或调用税务系统 API

国内合规电子发票（OFD/PDF 格式）本质是「带数字签名的结构化数据容器」，PDF 层只是渲染视图。关键信息实际藏在嵌入的 InvoiceData XML 流或 OFD 的 Document.xml 中。

• 如果是 OFD 格式：用 ofd-parser（python）或 libofd（c++）解包，直接读取 /Doc_0/Document.xml 内的原始 XML
• 如果是 PDF 格式（含税务数字签名）：必须用支持国密 SM2/SM3 的 SDK（如 esig-sdk-java）验证签名并提取嵌入的 InvoiceXML 字段，不是解析可视文本
• 若只有扫描件 PDF（无嵌入 XML）：必须走 OCR（推荐 PaddleOCR + 自定义发票模板定位），再按字段映射规则生成标准 XML，准确率依赖版式一致性

InvoiceXML 的字段命名和层级不能手写拼接

国家税务总局对 XML 的根节点、命名空间、必填字段（如 fpqqlsh、ghfmc）、校验规则（如 je 和 se 必须匹配）有强制要求。手动生成极易因大小写、空格、编码（必须 GB18030）、签名值缺失导致验签失败。

• 务必使用官方提供的 InvoiceXMLGenerator 工具或开源库（如 gitHub 上的 china-invoice-xml）生成
• 特别注意 qqrq（开票日期）格式必须为 yyYYMMDD，fpdm（发票代码）必须为 12 位纯数字
• 所有金额字段需保留两位小数，且不能含千分位符；xfdzjh（销售方地址电话）若为空，字段仍需保留但值设为 （空标签），不可省略

别忽略数字签名和验签环节

生成的 XML 必须附带有效的税务数字签名才能被税局系统接受。签名不是加个 标签就行——它依赖原始 PDF 中的证书链、时间戳服务（TSA）和 SM3 摘要算法。

• 离线环境无法生成合法签名，必须调用税务 UKey 驱动或云签名服务（如百旺、航信的 SignService 接口）
• 常见错误：Signature verification failed: invalid digest 多因 XML 序列化时缩进/换行/编码不一致导致摘要值变化
• 测试阶段可用总局提供的 InvoiceXMLValidator 工具本地验签，但上线前必须走真实环境沙箱验证

实际落地时，90% 的失败卡在签名环节或 XML 字段值格式不合规，而不是解析本身。先确认 PDF 是否含嵌入 XML，再决定走解析还是 OCR；生成 XML 后必须过验签，否则整套流程无效。