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
- 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
