Abraham03 commited on
Commit
500afa2
·
verified ·
1 Parent(s): 194cb04

Upload 3 files

Browse files
Files changed (3) hide show
  1. extraer_movimientos.py +93 -159
  2. fill_template.py +121 -168
  3. totales_banco.py +47 -87
extraer_movimientos.py CHANGED
@@ -82,10 +82,8 @@ def _cols_de_pagina(words):
82
  return mejor
83
 
84
 
85
- # Bandas FIJAS (borde derecho x1) por banco. La auto-calibracion resulto fragil;
86
- # las bandas fijas calibradas por banco son las unicas confiables. Cada banco
87
- # nuevo se calibra una vez. La COMPUERTA de validacion protege: si no cuadra
88
- # (banda mal puesta o layout distinto), ok=False -> fallback a Gemini.
89
  BANDAS = {
90
  'SANTANDER': {'dep': (420, 436), 'ret': (488, 503), 'sal': (572, 586)},
91
  }
@@ -200,11 +198,9 @@ def _por_bandas(pdf, bandas):
200
  continue
201
  mdate = re.match(r'^(\d{2}-[A-Z]{3}-\d{4})(\d*)(.*)$', row[0]['text'])
202
  primer = ''.join(c for c in row[0]['text'].upper() if c.isalpha())
203
- # FIN de la tabla de movimientos: cortar la pagina aqui. Antes esto
204
- # era un 'continue', asi que la tabla informativa 'Comisiones
205
- # pendientes de pago' colaba filas fantasma con fecha valida y sin
206
- # importe (2 en los 6 estados), y todo el texto posterior a la tabla
207
- # se pegaba al ultimo movimiento (conceptos de hasta 2,050 chars).
208
  if not mdate and any(primer.startswith(k) for k in _SANT_FIN):
209
  break
210
  if not mdate and any(primer.startswith(k) for k in EXCL):
@@ -234,10 +230,8 @@ def _por_bandas(pdf, bandas):
234
  if movs[-1]['deposito'] is None and dep is not None: movs[-1]['deposito'] = dep
235
  if movs[-1]['retiro'] is None and ret is not None: movs[-1]['retiro'] = ret
236
  if sal is not None: movs[-1]['saldo'] = sal
237
- # (Sin dedup interno: dos movimientos reales PUEDEN compartir el mismo saldo
238
- # cuando el balance oscila (p.ej. +100k luego -100k y otra vez +100k). La
239
- # duplicacion por fila de TOTAL ya se evita arriba (dep y ret a la vez). El
240
- # dedupe entre corridas lo hace 'Filtrar duplicados' en el flujo.)
241
  for m in movs:
242
  m['concepto'] = m['concepto'][:300]
243
  return movs
@@ -250,10 +244,9 @@ _MES_ABBR = {1: 'ENE', 2: 'FEB', 3: 'MAR', 4: 'ABR', 5: 'MAY', 6: 'JUN',
250
  BANAMEX_DEP = (384, 404)
251
  BANAMEX_RET = (306, 328)
252
  BANAMEX_SAL = (462, 486)
253
- # Columna CONCEPTO: arranca en x0~50 (ahi caen 'CAJA','HORA','PAGO','POR','AL') y
254
- # muere antes de la columna RETIROS. La columna FECHA vive en x0 18..46, por eso
255
- # el limite inferior es 48: mas arriba se perdia la primera palabra de cada linea
256
- # de continuacion ('POR ORDEN DE ...', 'AL BENEF. ...').
257
  BANAMEX_DESC = (48, 262)
258
  _BX_FILA_FECHA = re.compile(r'^(\d{1,2})\s+(ENE|FEB|MAR|ABR|MAY|JUN|JUL|AGO|SEP|OCT|NOV|DIC)\b')
259
  # plomeria del bloque: identifica la operacion ante el banco, no la describe
@@ -368,16 +361,10 @@ BBVA_X_DESC = 80 # x0 minimo del texto del movimiento (col COD. + DESCRIPCION)
368
  # etiquetas juntas, no por una sola, para no descartar una descripcion legitima
369
  # que casualmente diga 'REFERENCIA'.
370
  _BBVA_HDR = re.compile(r'COD\..{0,40}DESCRIPCI|DESCRIPCI\w*\s+REFERENCIA', re.I)
371
- # Aviso comercial/legal que BBVA imprime al PIE de la pagina, DESPUES del ultimo
372
- # movimiento. Cae dentro de la banda de descripcion (x0 123-256) y el bloque del
373
- # movimiento sigue abierto, asi que se pegaba al concepto:
374
- # 'ENVIADO Mercado Pago 3 Ref. 0000691713 722 Estimado Cliente, de Cuenta ha
375
- # sido modificado y Tambien le informamos que su Contrato ... que obtendria
376
- # despues de descont'
377
- # y la etiqueta salia 'DE DESCONT'. No se usa un umbral de salto vertical porque
378
- # hay continuaciones legitimas separadas 27 pt y el aviso arranca a 29: demasiado
379
- # justo. Este texto es PLANTILLA del banco, identica en todos los estados, nunca
380
- # dato del cliente, asi que reconocerlo por contenido es seguro.
381
  _BBVA_AVISO = re.compile(
382
  r'Estimado\s+Cliente|Su\s+Estado\s+de\s+Cuenta\s+ha\s+sido|'
383
  r'le\s+informamos\s+que\s+su\s+Contrato|puede\s+consultarlo\s+en\s+cualquier|'
@@ -430,11 +417,9 @@ def _bbva_anio(full):
430
  m1, y1, m2, y2 = int(m.group(1)), int(m.group(2)), int(m.group(3)), int(m.group(4))
431
  a[m1] = y1
432
  a[m2] = y2
433
- # Meses FUERA del periodo (operacion rezagada que se liquida en este
434
- # corte): se fechan hacia ATRAS desde el inicio del periodo, nunca hacia
435
- # adelante. Sin esto un '31/DIC' en el estado ENE-FEB 2026 tomaba el anio
436
- # por defecto (2026) -> 2026-12-31: un anio de error, y encima fuera de la
437
- # ventana de 6 meses de la maqueta. setdefault respeta m1/m2 ya fijados.
438
  y, mth = y1, m1
439
  for _ in range(11):
440
  mth -= 1
@@ -460,13 +445,9 @@ def _bbva(pdf):
460
  mes_anio, anio_def = _bbva_anio(full)
461
  fecha_ini = re.compile(r'^(\d{1,2})/([A-Z]{3})$')
462
 
463
- # 1) todas las filas en orden de pagina/posicion. Se DESCARTA el pie de pagina
464
- # (ultimos BBVA_PIE pt): ahi van el aviso GAT y el domicilio legal de BBVA
465
- # ('...DE BANCA MULTIPLE, GRUPO FINANCIERO Col. Juarez, Alcaldia
466
- # Cuauhtemoc; C.P. 06600...'), cuyas palabras caen en la columna de
467
- # descripcion (x0 106-315) y se pegaban al ULTIMO movimiento de cada
468
- # pagina: 50 de 686 conceptos contaminados y 23 que perdian el NOMBRE de la
469
- # contraparte al pasarse del corte de 220 chars.
470
  todas = []
471
  for page, words in zip(pdf.pages, pages_words):
472
  lim = page.height - BBVA_PIE
@@ -483,23 +464,18 @@ def _bbva(pdf):
483
  cur = None
484
  for row in todas:
485
  primer = ''.join(c for c in row[0]['text'].upper() if c.isalpha())
486
- # Fila-resumen del banco ('TOTAL IMPORTE CARGOS/ABONOS', 'Saldo Final') en
487
- # el margen izquierdo: marca el FIN de la tabla de detalle. Ademas de
488
- # ignorarla hay que CERRAR el bloque abierto; si no, el ultimo movimiento
489
- # del estado sigue absorbiendo el texto posterior a la tabla ('Le
490
- # informamos que puede consultar... bbva.mx', avisos de privacidad).
491
  if primer.startswith(('TOTAL', 'SALDO')) and not (100 < row[0]['x0'] < 300):
492
  if cur:
493
  bloques.append(cur)
494
  cur = None
495
  continue
496
  md = fecha_ini.match(row[0]['text'].upper())
497
- # La fila-fecha de un movimiento SIEMPRE arranca en la columna OPER
498
- # (x0~15-17). Las lineas de detalle imprimen tambien 'DD/MMM hh:mm
499
- # AUT:nnnn' pero en la COLUMNA DE DESCRIPCION (x0~106): NO abren
500
- # movimiento. Sin este filtro parten en dos el bloque real (11 casos en
501
- # los 6 estados) y, si la linea cayera antes del renglon del importe, le
502
- # robarian el monto al movimiento.
503
  if md and md.group(2) in _MESES and row[0]['x0'] < BBVA_X_OPER:
504
  if cur:
505
  bloques.append(cur)
@@ -526,11 +502,8 @@ def _bbva(pdf):
526
  es_resumen = primer.startswith(('TOTAL', 'SALDO')) and not (100 < row[0]['x0'] < 300)
527
  if es_resumen:
528
  continue
529
- # ENCABEZADO de la tabla. Cuando la descripcion de un movimiento cruza
530
- # el salto de pagina, el encabezado de la pagina siguiente cae DENTRO
531
- # del bloque y se pegaba al concepto: 284 de 2,613 movimientos
532
- # arrastraban 'COD. DESCRIPCION REFERENCIA', y varios acababan
533
- # etiquetados justamente 'COD DESCRIPCION' en el desglose.
534
  _txt_row = ' '.join(w['text'] for w in row)
535
  if _BBVA_HDR.search(_txt_row) or _BBVA_AVISO.search(_txt_row):
536
  continue
@@ -539,13 +512,9 @@ def _bbva(pdf):
539
  if MONEY.match(w['text']):
540
  if aband[0] <= w['x1'] <= aband[1]: row_d = _num(w['text'])
541
  elif cband[0] <= w['x1'] <= cband[1]: row_r = _num(w['text'])
542
- # La columna de descripcion arranca en x0~104 en la fila del
543
- # movimiento, pero las lineas de CONTINUACION empiezan en
544
- # x0~84, donde en la fila del movimiento va la columna COD.
545
- # Con el limite en 106 se perdia la primera palabra de la
546
- # descripcion ('V45 VENTAS CREDITO' quedaba 'CREDITO') y toda
547
- # la continuacion ('ANA CAROLA NAVA' quedaba 'CAROLA NAVA').
548
- # Incluir la columna COD. es inocuo: sus codigos traen digitos
549
  # (V45, G30) y el mapeo de conceptos los descarta.
550
  elif BBVA_X_DESC <= w['x0'] < 315:
551
  desc.append(w['text'])
@@ -607,10 +576,9 @@ def _banorte(pdf):
607
  movs.append({'fecha': fecha, 'concepto': ' '.join(desc).strip(),
608
  'deposito': dep, 'retiro': ret, 'saldo': sal})
609
  elif movs and 80 <= row[0]['x0'] <= 130:
610
- # continuacion: la descripcion del movimiento sigue en lineas con
611
- # sangria (~x0 85): 'DEL CLIENTE <nombre>', 'BENEF:<nombre>',
612
- # 'A LA CUENTA: <cuenta>'... Se agrega al ultimo movimiento para que
613
- # el desglose por persona pueda sacar el nombre real.
614
  cont = ' '.join(w['text'] for w in row if not MONEY.match(w['text']) and not MONEY_NEG.match(w['text']))
615
  if cont:
616
  movs[-1]['concepto'] = (movs[-1]['concepto'] + ' ' + cont).strip()
@@ -695,18 +663,13 @@ def _amex(pdf, mes_anio):
695
 
696
 
697
  # ---- MONEX -----------------------------------------------------------------
698
- # La tabla de MONEX tiene OCHO columnas y CUATRO de ellas son numericas y
699
- # CONTIGUAS: 'Movimiento garantia'(x1~533), 'Saldo en garantia'(x1~609),
700
- # 'Saldo disponible'(x1~688) y 'Saldo total'(x1~764). Por eso las bandas se leen
701
- # del ENCABEZADO de CADA pagina y no se fijan a mano: la subcuenta en dolares que
702
- # MONEX imprime al final del mismo estado usa OTRAS coordenadas (Abonos x1~380 en
703
- # vez de ~367, Cargos ~452 en vez de ~447) y encima parte el encabezado en DOS
704
  # renglones.
705
  _MX_FECHA = re.compile(r'^(\d{1,2})/([A-Za-z]{3})$')
706
- # Holgura de banda. Los importes van alineados a la DERECHA exactamente al x1 del
707
- # encabezado (medido en MARZO+ABRIL: las 722 celdas de dinero de las columnas
708
- # Abonos/Cargos/'Saldo total' dan x1_monto - x1_encabezado = 0.0 pt EXACTO), y la
709
- # columna numerica vecina mas cercana esta a 76 pt.
710
  _MX_TOL = 8.0
711
  # Hueco vertical minimo que SEPARA dos bloques de movimiento. Medido en
712
  # MARZO+ABRIL: dentro del bloque 2.0-9.8 pt, entre bloques 16.8-19.4 pt.
@@ -834,12 +797,9 @@ def _monex(pdf):
834
  if not words:
835
  continue
836
  T = _up(' '.join(w['text'] for w in words))
837
- # La cuenta en PESOS es la PRIMERA del estado. Un segundo bloque 'Resumen
838
- # cuenta' o un titulo 'Movimientos de <mes> EN <divisa>' despues de haber
839
- # empezado a leer movimientos = SUBCUENTA EN OTRA DIVISA (MONEX cierra el
840
- # estado con 'dolar americano': misma tabla, importes en USD, y su propia
841
- # cadena de saldos que arranca otra vez desde su saldo inicial). Sumarla
842
- # contaminaria los totales en pesos.
843
  if filas and (re.search(r'RESUMEN\s+CUENTA', T)
844
  or re.search(r'MOVIMIENTOS\s+DE\s+\w+\s+EN\s+\S', T)):
845
  break
@@ -890,19 +850,11 @@ def _monex(pdf):
890
  continue
891
  imp[i] = (fk, d or 0.0, r or 0.0, s)
892
 
893
- # 2) reparto de las lineas de DESCRIPCION entre filas de importe consecutivas.
894
- # El corte va en el HUECO VERTICAL MAS GRANDE que hay entre las dos: dentro
895
- # de un bloque el interlineado es 9.8 pt (y 2-7 pt alrededor de la fila del
896
- # importe, que MONEX centra en el bloque) y entre bloques 16.8-19.4 pt
897
- # (medido en los 160 pares de filas de importe que caen en la misma hoja de
898
- # MARZO+ABRIL: intra-bloque max 9.8, separador min 16.8).
899
- # El bloque CRUZA de pagina (medido: el bloque de MARZO hoja 3 top=554
900
- # sigue con 10 renglones al inicio de la hoja 4), asi que un salto de
901
- # pagina NO es corte por si mismo. Pero cuando el bloque siguiente ARRANCA
902
- # justo en la primera fila de la hoja no hay hueco separador que encontrar:
903
- # si el mayor hueco de las dos hojas se queda por debajo de _MX_SEP, el
904
- # corte ES el salto de pagina (sin esto, el ultimo movimiento de la hoja se
905
- # quedaba con la primera linea del bloque siguiente).
906
  idx = sorted(imp)
907
  corte = {}
908
  for a, b in zip(idx, idx[1:]):
@@ -927,12 +879,10 @@ def _monex(pdf):
927
  fk, d, r, s = imp[i]
928
  if (d > 0) == (r > 0):
929
  continue # 0.00/0.00 (intereses neteados por el ISR el mismo dia)
930
- # La descripcion sale de la COLUMNA DE DESCRIPCION (x0 entre el inicio de
931
- # su encabezado y el de 'Referencia', ~104-240). No hace falta filtrar
932
- # tokens con formato de dinero: la columna numerica mas a la izquierda
933
- # (Abonos) arranca en x0>=325, asi que nada de ahi cae en la banda, y en
934
- # cambio si aparecen importes que SON parte del texto ('Compra de divisas
935
- # 5.80 USD a un tipo de cambio de 18.1235').
936
  desc = []
937
  for j in range(ini, fin + 1):
938
  z = filas[j][4]
@@ -956,39 +906,30 @@ def _monex(pdf):
956
 
957
 
958
  # ---- HSBC -------------------------------------------------------------------
959
- # HSBC imprime DOS veces los mismos importes: en 'DETALLE MOVIMIENTOS CUENTA DE
960
- # CHEQUES' (la contabilidad real) y otra vez en las tablas informativas
961
- # "Informacion SPEI's Enviados/Recibidos durante el periodo", que repiten cada
962
- # transferencia con su 'Monto del pago'. Leer las dos DUPLICA los importes: es
963
- # exactamente lo que hacia Gemini. Aqui se extrae SOLO el DETALLE, cortando la
964
- # seccion en cuanto aparece cualquier otro bloque.
965
  _HSBC_PERIODO = re.compile(
966
  r'Per[ií]odo\s*del\s*(\d{2})/(\d{2})/(\d{4})\s*al\s*(\d{2})/(\d{2})/(\d{4})', re.I)
967
- # Encabezado de la tabla de movimientos. Coordenadas medidas identicas en los 6
968
- # estados: Retiro/Cargo x1=397.0, Deposito/Abono x1=481.4, Saldo x1=549.1. Las
969
- # etiquetas van CENTRADAS sobre su columna y los importes ALINEADOS A LA DERECHA,
970
- # asi que el offset etiqueta->importe no es constante (+4 en cargo, -9 en abono,
971
- # +16 en saldo): de ahi la tolerancia amplia. Las columnas estan a 68-84 pt entre
972
- # si, asi que +-22 no puede solaparlas.
973
  _HSBC_TOL = 22.0
974
- # Todo lo que CIERRA la seccion de movimientos.
975
- # Encabezados de OTRAS secciones. Se ancla al INICIO de la fila y solo se evalua
976
- # en filas que NO son movimiento: la palabra 'SPEI' aparece dentro de la
977
- # descripcion de muchos movimientos legitimos ('CGO SPEI NOMINA 15FEB26'), asi
978
- # que buscarla en cualquier parte cortaba la tabla en el primer movimiento SPEI.
979
  _HSBC_FIN = re.compile(
980
  r'^(Informaci[oó]n|Emitido\s+por|RESUMEN|CIFRAS\s+EXPRESADAS|Estimado|'
981
  r'Otros\s+Datos|Tus\s+Movimientos|Comisiones\s+Cobradas)', re.I)
982
 
983
 
984
- # Tabla informativa "Informacion SPEI's Enviados/Recibidos". NO se usa como
985
- # movimientos (duplicaria los importes: es el bug original), SOLO como CATALOGO
986
- # DE NOMBRES: el DETALLE de HSBC no nombra a la contraparte (dice 'CGO SPEI
987
- # NOMINA 15FEB26'), asi que sin esto el desglose de la maqueta colapsaba 119 de
988
- # 285 movimientos en el nombre basura 'CGO'.
989
- # Columnas medidas: Fecha x0~39 | Hora ~81 | Participante ~126 |
990
- # NOMBRE DEL BENEFICIARIO x0 190-244 | Cuenta ~248 | Concepto ~338 |
991
- # Monto x1 405-440 | Clave de Rastreo ~469 | Referencia ~517
992
  _HSBC_SPEI_HDR = re.compile(r'Beneficiari|Rastreo', re.I)
993
  _HSBC_SPEI_FECHA = re.compile(r'^(\d{2})/(\d{2})/(\d{4})$')
994
  _HSBC_NOM = (188, 246)
@@ -1149,20 +1090,18 @@ def _hsbc(pdf):
1149
 
1150
 
1151
  # ---- MERCADO PAGO (MP Agregador, S. de R.L. de C.V.) ------------------------
1152
- # Formato distinto a los bancos: UNA sola columna 'Valor' CON SIGNO (negativo =
1153
- # salida) en vez de dos columnas dep/ret, y la fecha completa 'DD-MM-AAAA'.
1154
- # Encabezado de la tabla: Fecha x1~62 | Descripcion x1~133 | Valor x1~336 |
1155
- # Saldo x1~401 (mas 'ID de la operacion' partido en dos renglones, x1~247).
1156
  _MP_MONEY = re.compile(r'^-?\d{1,3}(,\d{3})*\.\d{2}$')
1157
  _MP_FECHA = re.compile(r'^(\d{2})-(\d{2})-(\d{4})$')
1158
- # Tolerancia de banda. Valor y Saldo estan a 65 pt, asi que +-12 no las solapa.
1159
- # OJO: es OBLIGATORIO acotar por 'top' al encabezado de la tabla, porque el
1160
- # RESUMEN de la pagina 1 pone 'Saldo final: $ 35,117.07' en x1=399, a 4 pt de la
1161
- # banda de Saldo (403), y 'Entradas: $ 630,397.11' en x1=273.
1162
  _MP_TOL = 12.0
1163
- # Columna de descripcion: arranca en x0=94 (medido: es el bucket dominante) y
1164
- # termina antes del 'ID de la operacion' (x0~205). Con 95 se perdia la PRIMERA
1165
- # palabra de cada concepto ('Transferencia' x0=93, 'Pago' x0=88).
1166
  _MP_DESC = (86, 205)
1167
  # Hueco vertical que separa dos bloques: dentro de un bloque 1-7 pt, entre
1168
  # bloques 23-29 pt (medido en los 3 estados).
@@ -1247,11 +1186,10 @@ def _mercadopago(pdf):
1247
 
1248
 
1249
  # ---------------------------------------------------------------- CHASE (USD)
1250
- # El detalle de Chase trae DOS columnas numericas alineadas a la DERECHA:
1251
- # el encabezado es 'AMOUNT[432-463] BALANCE[501-535]', asi que el borde derecho
1252
- # manda (x0 varia con el ancho del numero). Los numeros que van DENTRO de la
1253
- # descripcion (rutas ABA, cuentas: 'Nyc/026009593') caen muy a la izquierda de
1254
- # estas bandas, asi que no se confunden.
1255
  _CH_AMT = 463.0
1256
  _CH_BAL = 535.0
1257
  _CH_TOL = 9.0
@@ -1313,10 +1251,9 @@ def _chase(pdf):
1313
  for k in sorted(filas):
1314
  ws = sorted(filas[k], key=lambda x: x['x0'])
1315
  linea = ' '.join(w['text'] for w in ws)
1316
- # El corte es ESTRUCTURAL: abre en la fila de encabezados de la tabla
1317
- # y cierra en 'Ending Balance' o en el marcador de Chase. No se corta
1318
- # por palabra clave porque las descripciones legitimas contienen
1319
- # 'Balance', 'Fee' y 'Transfer'.
1320
  if 'DATE' in linea and 'AMOUNT' in linea and 'BALANCE' in linea:
1321
  cerrar()
1322
  pend = None
@@ -1416,21 +1353,18 @@ def extraer(path):
1416
  cuadra = (rd is not None and rr is not None
1417
  and abs(suma_dep - rd) <= 1.0 and abs(suma_ret - rr) <= 1.0)
1418
 
1419
- # CUADRE POR CADENA DE SALDOS (respaldo). Algunos bancos NETEAN en sus totales
1420
- # de cabecera un par de movimientos que si movieron el saldo. Caso medido:
1421
- # HSBC FEBRERO trae la comision de administracion (599.00 + IVA 95.84) y la
1422
- # BONIFICACION de la del mes anterior (599.00 + 95.84); HSBC las cancela entre
1423
- # si y no las cuenta ni en 'Depositos/Abonos' ni en 'Retiros/Cargos', asi que
1424
- # nuestra suma queda +694.84 de CADA lado. Los 34 movimientos son reales: la
1425
- # cadena de saldos impresa los confirma uno por uno.
1426
  #
1427
- # Solo se acepta con las TRES condiciones a la vez, que juntas son mas fuertes
1428
- # que el cuadre de sumas: (1) el banco imprime saldo en >=90% de los
1429
- # movimientos y TODOS coinciden con el acumulado, (2) el saldo final calculado
1430
- # cae exacto en el que reporta el banco, y (3) la diferencia es la MISMA en
1431
- # depositos y en retiros (neteo, no dinero perdido ni inventado). Un movimiento
1432
  # duplicado rompe la cadena y uno faltante rompe el saldo final, asi que esto
1433
- # no puede enmascarar los defectos que la compuerta existe para atrapar.
1434
  cuadra_saldo = False
1435
  si0, sf0 = rep.get('saldo_inicial'), rep.get('saldo_final')
1436
  if (not cuadra and rd is not None and rr is not None
 
82
  return mejor
83
 
84
 
85
+ # Bandas por banco, por el borde DERECHO (x1) de cada columna. Se calibran una
86
+ # vez por banco; si una queda mal puesta la compuerta lo detecta (ok=False).
 
 
87
  BANDAS = {
88
  'SANTANDER': {'dep': (420, 436), 'ret': (488, 503), 'sal': (572, 586)},
89
  }
 
198
  continue
199
  mdate = re.match(r'^(\d{2}-[A-Z]{3}-\d{4})(\d*)(.*)$', row[0]['text'])
200
  primer = ''.join(c for c in row[0]['text'].upper() if c.isalpha())
201
+ # Fin de la tabla: hay que CORTAR la pagina, no solo saltar la fila.
202
+ # La tabla informativa 'Comisiones pendientes de pago' que sigue trae
203
+ # fechas validas sin importe, y su texto se pega al ultimo movimiento.
 
 
204
  if not mdate and any(primer.startswith(k) for k in _SANT_FIN):
205
  break
206
  if not mdate and any(primer.startswith(k) for k in EXCL):
 
230
  if movs[-1]['deposito'] is None and dep is not None: movs[-1]['deposito'] = dep
231
  if movs[-1]['retiro'] is None and ret is not None: movs[-1]['retiro'] = ret
232
  if sal is not None: movs[-1]['saldo'] = sal
233
+ # Sin dedup interno a proposito: dos movimientos reales pueden compartir
234
+ # saldo cuando el balance oscila. El dedup entre corridas lo hace el flujo.
 
 
235
  for m in movs:
236
  m['concepto'] = m['concepto'][:300]
237
  return movs
 
244
  BANAMEX_DEP = (384, 404)
245
  BANAMEX_RET = (306, 328)
246
  BANAMEX_SAL = (462, 486)
247
+ # Columna CONCEPTO: de x0 48 (la columna FECHA vive en 18..46) hasta antes de
248
+ # RETIROS. Con un limite mas alto se pierde la primera palabra de cada linea de
249
+ # continuacion ('POR ORDEN DE ...', 'AL BENEF. ...').
 
250
  BANAMEX_DESC = (48, 262)
251
  _BX_FILA_FECHA = re.compile(r'^(\d{1,2})\s+(ENE|FEB|MAR|ABR|MAY|JUN|JUL|AGO|SEP|OCT|NOV|DIC)\b')
252
  # plomeria del bloque: identifica la operacion ante el banco, no la describe
 
361
  # etiquetas juntas, no por una sola, para no descartar una descripcion legitima
362
  # que casualmente diga 'REFERENCIA'.
363
  _BBVA_HDR = re.compile(r'COD\..{0,40}DESCRIPCI|DESCRIPCI\w*\s+REFERENCIA', re.I)
364
+ # Aviso comercial que BBVA imprime al pie de la pagina. Cae en la banda de
365
+ # descripcion (x0 123-256) con el bloque del movimiento abierto, asi que se pega
366
+ # al concepto. Se reconoce por contenido y no por salto vertical porque hay
367
+ # continuaciones legitimas separadas 27 pt y el aviso arranca a 29.
 
 
 
 
 
 
368
  _BBVA_AVISO = re.compile(
369
  r'Estimado\s+Cliente|Su\s+Estado\s+de\s+Cuenta\s+ha\s+sido|'
370
  r'le\s+informamos\s+que\s+su\s+Contrato|puede\s+consultarlo\s+en\s+cualquier|'
 
417
  m1, y1, m2, y2 = int(m.group(1)), int(m.group(2)), int(m.group(3)), int(m.group(4))
418
  a[m1] = y1
419
  a[m2] = y2
420
+ # Un mes fuera del periodo es una operacion rezagada: se fecha hacia
421
+ # ATRAS desde el inicio, nunca hacia adelante. Un '31/DIC' en un estado
422
+ # de ENE-FEB 2026 seria 2025-12-31, no 2026-12-31.
 
 
423
  y, mth = y1, m1
424
  for _ in range(11):
425
  mth -= 1
 
445
  mes_anio, anio_def = _bbva_anio(full)
446
  fecha_ini = re.compile(r'^(\d{1,2})/([A-Z]{3})$')
447
 
448
+ # 1) todas las filas en orden de pagina y posicion, descartando el pie
449
+ # (ultimos BBVA_PIE pt): el aviso GAT y el domicilio legal de BBVA caen en
450
+ # la columna de descripcion y se pegan al ultimo movimiento de la pagina.
 
 
 
 
451
  todas = []
452
  for page, words in zip(pdf.pages, pages_words):
453
  lim = page.height - BBVA_PIE
 
464
  cur = None
465
  for row in todas:
466
  primer = ''.join(c for c in row[0]['text'].upper() if c.isalpha())
467
+ # Fila-resumen en el margen izquierdo ('TOTAL IMPORTE', 'Saldo Final'):
468
+ # marca el fin de la tabla. Hay que CERRAR el bloque abierto, o el ultimo
469
+ # movimiento absorbe el texto que sigue.
 
 
470
  if primer.startswith(('TOTAL', 'SALDO')) and not (100 < row[0]['x0'] < 300):
471
  if cur:
472
  bloques.append(cur)
473
  cur = None
474
  continue
475
  md = fecha_ini.match(row[0]['text'].upper())
476
+ # La fila-fecha de un movimiento arranca en la columna OPER (x0 15-17).
477
+ # Las lineas de detalle tambien traen 'DD/MMM hh:mm AUT:nnnn', pero en la
478
+ # columna de DESCRIPCION (x0 106): esas no abren movimiento.
 
 
 
479
  if md and md.group(2) in _MESES and row[0]['x0'] < BBVA_X_OPER:
480
  if cur:
481
  bloques.append(cur)
 
502
  es_resumen = primer.startswith(('TOTAL', 'SALDO')) and not (100 < row[0]['x0'] < 300)
503
  if es_resumen:
504
  continue
505
+ # Encabezado de la tabla: cuando la descripcion cruza el salto de
506
+ # pagina, el encabezado de la siguiente cae dentro del bloque.
 
 
 
507
  _txt_row = ' '.join(w['text'] for w in row)
508
  if _BBVA_HDR.search(_txt_row) or _BBVA_AVISO.search(_txt_row):
509
  continue
 
512
  if MONEY.match(w['text']):
513
  if aband[0] <= w['x1'] <= aband[1]: row_d = _num(w['text'])
514
  elif cband[0] <= w['x1'] <= cband[1]: row_r = _num(w['text'])
515
+ # La descripcion arranca en x0 104 en la fila del movimiento, pero
516
+ # las lineas de CONTINUACION empiezan en 84, donde en esa fila va
517
+ # la columna COD. Incluirla es inocuo: sus codigos traen digitos
 
 
 
 
518
  # (V45, G30) y el mapeo de conceptos los descarta.
519
  elif BBVA_X_DESC <= w['x0'] < 315:
520
  desc.append(w['text'])
 
576
  movs.append({'fecha': fecha, 'concepto': ' '.join(desc).strip(),
577
  'deposito': dep, 'retiro': ret, 'saldo': sal})
578
  elif movs and 80 <= row[0]['x0'] <= 130:
579
+ # Continuacion con sangria (x0 ~85): 'DEL CLIENTE <nombre>',
580
+ # 'BENEF:<nombre>', 'A LA CUENTA: <cuenta>'. Ahi viene el nombre
581
+ # de la contraparte que necesita el desglose.
 
582
  cont = ' '.join(w['text'] for w in row if not MONEY.match(w['text']) and not MONEY_NEG.match(w['text']))
583
  if cont:
584
  movs[-1]['concepto'] = (movs[-1]['concepto'] + ' ' + cont).strip()
 
663
 
664
 
665
  # ---- MONEX -----------------------------------------------------------------
666
+ # MONEX tiene ocho columnas, cuatro de ellas numericas y contiguas. Las bandas se
667
+ # leen del ENCABEZADO de cada pagina en vez de fijarlas: la subcuenta en dolares
668
+ # del final del mismo estado usa otras coordenadas y parte el encabezado en dos
 
 
 
669
  # renglones.
670
  _MX_FECHA = re.compile(r'^(\d{1,2})/([A-Za-z]{3})$')
671
+ # Holgura de banda: los importes se alinean a la derecha exactamente al x1 del
672
+ # encabezado y la columna numerica vecina mas cercana esta a 76 pt.
 
 
673
  _MX_TOL = 8.0
674
  # Hueco vertical minimo que SEPARA dos bloques de movimiento. Medido en
675
  # MARZO+ABRIL: dentro del bloque 2.0-9.8 pt, entre bloques 16.8-19.4 pt.
 
797
  if not words:
798
  continue
799
  T = _up(' '.join(w['text'] for w in words))
800
+ # La cuenta en PESOS es la primera del estado. Un segundo 'Resumen cuenta'
801
+ # o un 'Movimientos de <mes> EN <divisa>' ya empezados los movimientos es
802
+ # la subcuenta en otra divisa: sumarla contamina los totales en pesos.
 
 
 
803
  if filas and (re.search(r'RESUMEN\s+CUENTA', T)
804
  or re.search(r'MOVIMIENTOS\s+DE\s+\w+\s+EN\s+\S', T)):
805
  break
 
850
  continue
851
  imp[i] = (fk, d or 0.0, r or 0.0, s)
852
 
853
+ # 2) reparto de las lineas de descripcion entre dos filas de importe
854
+ # consecutivas: el corte va en el mayor HUECO VERTICAL entre ellas. Dentro
855
+ # de un bloque el interlineado llega a 9.8 pt y entre bloques baja de 16.8.
856
+ # Un bloque puede cruzar de pagina, asi que el salto no es corte por si
857
+ # mismo; pero si el mayor hueco no alcanza _MX_SEP, el corte ES el salto.
 
 
 
 
 
 
 
 
858
  idx = sorted(imp)
859
  corte = {}
860
  for a, b in zip(idx, idx[1:]):
 
879
  fk, d, r, s = imp[i]
880
  if (d > 0) == (r > 0):
881
  continue # 0.00/0.00 (intereses neteados por el ISR el mismo dia)
882
+ # La descripcion va entre su encabezado y el de 'Referencia' (x0 104-240).
883
+ # No se filtran los tokens con formato de dinero: la columna numerica mas
884
+ # a la izquierda arranca en 325, y en la descripcion si hay importes que
885
+ # son parte del texto ('a un tipo de cambio de 18.1235').
 
 
886
  desc = []
887
  for j in range(ini, fin + 1):
888
  z = filas[j][4]
 
906
 
907
 
908
  # ---- HSBC -------------------------------------------------------------------
909
+ # HSBC imprime los mismos importes DOS veces: en 'DETALLE MOVIMIENTOS CUENTA DE
910
+ # CHEQUES', que es la contabilidad real, y otra vez en las tablas informativas
911
+ # "Informacion SPEI's". Leer las dos duplica los importes, asi que se extrae solo
912
+ # el DETALLE y la seccion se corta en cuanto aparece otro bloque.
 
 
913
  _HSBC_PERIODO = re.compile(
914
  r'Per[ií]odo\s*del\s*(\d{2})/(\d{2})/(\d{4})\s*al\s*(\d{2})/(\d{2})/(\d{4})', re.I)
915
+ # Encabezado de la tabla: Retiro/Cargo x1=397.0, Deposito/Abono x1=481.4,
916
+ # Saldo x1=549.1. Las etiquetas van centradas y los importes alineados a la
917
+ # derecha, asi que el desfase no es constante (+4, -9, +16): de ahi la tolerancia
918
+ # amplia. Las columnas estan a 68-84 pt entre si, asi que +-22 no las solapa.
 
 
919
  _HSBC_TOL = 22.0
920
+ # Encabezados de otras secciones, que cierran la de movimientos. Se anclan al
921
+ # INICIO de la fila y solo se evaluan en filas que no son movimiento: 'SPEI'
922
+ # aparece dentro de descripciones legitimas ('CGO SPEI NOMINA 15FEB26').
 
 
923
  _HSBC_FIN = re.compile(
924
  r'^(Informaci[oó]n|Emitido\s+por|RESUMEN|CIFRAS\s+EXPRESADAS|Estimado|'
925
  r'Otros\s+Datos|Tus\s+Movimientos|Comisiones\s+Cobradas)', re.I)
926
 
927
 
928
+ # Tabla informativa "Informacion SPEI's", usada SOLO como catalogo de nombres,
929
+ # nunca como movimientos: el detalle de HSBC no nombra a la contraparte (dice
930
+ # 'CGO SPEI NOMINA 15FEB26'), pero tomar sus importes los duplicaria.
931
+ # Columnas: Fecha x0 39 | Hora 81 | Participante 126 | BENEFICIARIO 190-244 |
932
+ # Cuenta 248 | Concepto 338 | Monto x1 405-440 | Rastreo 469 | Referencia 517
 
 
 
933
  _HSBC_SPEI_HDR = re.compile(r'Beneficiari|Rastreo', re.I)
934
  _HSBC_SPEI_FECHA = re.compile(r'^(\d{2})/(\d{2})/(\d{4})$')
935
  _HSBC_NOM = (188, 246)
 
1090
 
1091
 
1092
  # ---- MERCADO PAGO (MP Agregador, S. de R.L. de C.V.) ------------------------
1093
+ # Formato propio: UNA columna 'Valor' con signo (negativo = salida) en vez de
1094
+ # dos columnas dep/ret, y fecha completa 'DD-MM-AAAA'. Encabezado: Fecha x1 62 |
1095
+ # Descripcion 133 | Valor 336 | Saldo 401 ('ID de la operacion' va en 247).
 
1096
  _MP_MONEY = re.compile(r'^-?\d{1,3}(,\d{3})*\.\d{2}$')
1097
  _MP_FECHA = re.compile(r'^(\d{2})-(\d{2})-(\d{4})$')
1098
+ # Tolerancia de banda: Valor y Saldo estan a 65 pt, asi que +-12 no las solapa.
1099
+ # Hay que acotar por 'top' al encabezado: el resumen de la pagina 1 pone
1100
+ # 'Saldo final' en x1=399, a 4 pt de la banda de Saldo.
 
1101
  _MP_TOL = 12.0
1102
+ # Columna de descripcion: de x0 86 hasta antes del 'ID de la operacion' (205).
1103
+ # El limite bajo es 86 y no 94 porque la primera palabra del concepto se
1104
+ # adelanta ('Transferencia' en 93, 'Pago' en 88).
1105
  _MP_DESC = (86, 205)
1106
  # Hueco vertical que separa dos bloques: dentro de un bloque 1-7 pt, entre
1107
  # bloques 23-29 pt (medido en los 3 estados).
 
1186
 
1187
 
1188
  # ---------------------------------------------------------------- CHASE (USD)
1189
+ # Dos columnas numericas alineadas a la derecha: 'AMOUNT[432-463]
1190
+ # BALANCE[501-535]'. Manda el borde derecho porque x0 varia con el ancho del
1191
+ # numero. Los numeros de la descripcion (rutas ABA, 'Nyc/026009593') caen muy a
1192
+ # la izquierda de estas bandas.
 
1193
  _CH_AMT = 463.0
1194
  _CH_BAL = 535.0
1195
  _CH_TOL = 9.0
 
1251
  for k in sorted(filas):
1252
  ws = sorted(filas[k], key=lambda x: x['x0'])
1253
  linea = ' '.join(w['text'] for w in ws)
1254
+ # Corte estructural: abre en la fila de encabezados y cierra en
1255
+ # 'Ending Balance'. No por palabra clave, porque las descripciones
1256
+ # legitimas contienen 'Balance', 'Fee' y 'Transfer'.
 
1257
  if 'DATE' in linea and 'AMOUNT' in linea and 'BALANCE' in linea:
1258
  cerrar()
1259
  pend = None
 
1353
  cuadra = (rd is not None and rr is not None
1354
  and abs(suma_dep - rd) <= 1.0 and abs(suma_ret - rr) <= 1.0)
1355
 
1356
+ # Respaldo de la compuerta: cuadre por CADENA DE SALDOS. Algunos bancos netean
1357
+ # en sus totales de cabecera un par de movimientos que si movieron el saldo
1358
+ # (una comision y su bonificacion, por ejemplo), asi que la suma queda
1359
+ # desviada la misma cantidad de los DOS lados aunque los movimientos sean
1360
+ # reales.
 
 
1361
  #
1362
+ # Se exigen las tres condiciones a la vez, que juntas son mas fuertes que el
1363
+ # cuadre de sumas: el banco imprime saldo en >=90% de los movimientos y todos
1364
+ # coinciden con el acumulado, el saldo final calculado cae exacto en el
1365
+ # reportado, y la diferencia es la MISMA en depositos y retiros. Un movimiento
 
1366
  # duplicado rompe la cadena y uno faltante rompe el saldo final, asi que esto
1367
+ # no puede enmascarar lo que la compuerta existe para atrapar.
1368
  cuadra_saldo = False
1369
  si0, sf0 = rep.get('saldo_inicial'), rep.get('saldo_final')
1370
  if (not cuadra and rd is not None and rr is not None
fill_template.py CHANGED
@@ -18,14 +18,12 @@ TABLE_EC = "xl/tables/table1.xml" # Tabla_EC
18
  MESES_ES = ['ene', 'feb', 'mar', 'abr', 'may', 'jun',
19
  'jul', 'ago', 'sep', 'oct', 'nov', 'dic']
20
 
21
- # Comisiones por SPEI / transferencia. NO se descartan: solo se MARCAN (bandera
22
- # en la columna N de 08_EC_Raw) para la comparativa de # de movimientos.
23
- # OJO: 'CGO' y 'CARGO' NO son marcas de comision, son la palabra que muchos bancos
24
- # usan para el movimiento mismo. Con ellas dentro, HSBC marcaba 107 de 208
25
- # movimientos como 'comision por SPEI' (son transferencias reales: 'CGO SPEI FACT
26
- # 2440' de $174,000, 'CGO SPEI FACT DTEFACT1466' de $1,832,928) y SANTANDER 12 mas
27
- # ('CARGO TRANSFERENCIA ENLACE' de $150,000). Una comision real dice COMISION/COM/
28
- # CUOTA de forma explicita. La bandera es informativa (columna N), no mueve dinero.
29
  COMISION_RE = re.compile(
30
  r'(COMIS\w*|\bCOM\b\.?|CUOTA)[\s\S]{0,50}(SPEI|TRANSFER\w*|\bTRANSF\b|\bTEF\b)'
31
  r'|(SPEI|TRANSFER\w*|\bTRANSF\b|\bTEF\b)[\s\S]{0,50}(COMIS\w*|\bCOM\b\.?|CUOTA)',
@@ -44,11 +42,9 @@ ROW_VERIF = 196 # B: titulo; B+1: banco(s); B+3 Depositos; B+4 Retiros;
44
  # Columna de la bandera de comision en 08_EC_Raw (fuera de Tabla_EC, que es A:M)
45
  COL_COMISION = 'N'
46
 
47
- # Capacidad del desglose por persona: el array dinamico B33 (y su gemelo de
48
- # egresos) se derrama hacia abajo hasta toparse con la fila TOTAL. En la
49
- # plantilla V3.8.1 hay 74 filas libres (33..106). Si hay mas ordenantes que eso
50
- # Excel marca #DESBORDAMIENTO!, asi que se limita el numero de nombres DISTINTOS:
51
- # se conservan los mayores por monto y el resto se agrupa en "OTROS".
52
  DESGLOSE_CAPACIDAD = 74
53
 
54
  EPOCH = date(1899, 12, 30)
@@ -245,10 +241,9 @@ STOPWORDS = {
245
 
246
  PERMITIDAS_CORTAS = {'Y', 'DE', 'LA', 'EL', 'SA', 'CV', 'RL', 'SC', 'AC', 'S'}
247
 
248
- # --- Movimientos SIN contraparte: se resumen por su NATURALEZA, no por nombre ---
249
- # El usuario pide que todo lo que aluda a efectivo diga 'EFECTIVO' (antes caia en
250
- # 'SIN IDENTIFICAR' porque EFECTIVO/DEPOSITO/CAJERO estan en STOPWORDS: en
251
- # SANTANDER eran 63 movimientos, entre ellos 'DEPOSITO EN EFECTIVO' x36).
252
  EFECTIVO_RE = re.compile(
253
  r'RETIRO\s+SIN\s+TARJETA|SIN\s+TARJETA|EN\s+EFECTIVO|DE\s+EFECTIVO|'
254
  r'\bEFECTIVO\b|DISPOSICION\s+(?:DE\s+)?EFECTIVO|RETIRO\s+CAJERO|'
@@ -259,11 +254,10 @@ EFECTIVO_RE = re.compile(
259
  # El orden importa: se evalua de arriba hacia abajo.
260
  NATURALEZA = [
261
  ('EFECTIVO', EFECTIVO_RE),
262
- # ANCLADOS. Antes 'IVA' matcheaba en cualquier parte del texto y se comia
263
- # 167 movimientos que SI traian nombre o RFC de la contraparte, porque
264
- # BANAMEX imprime '... RFC: ND IVA: . 0 ...' como campos del movimiento.
265
- # Ahora solo disparan si el concepto ARRANCA con el impuesto/comision o si
266
- # va seguido de lo que cobra ('IVA POR COMISION', 'COMISION MENSUAL').
267
  ('ISR', re.compile(r'^\s*I\.?\s*S\.?\s*R\b|IMPUESTO\s+SOBRE\s+LA\s+RENTA|RETENCION\s+(?:DE\s+)?ISR', re.I)),
268
  ('IVA', re.compile(r'^\s*(?:I\.?\s*V\.?\s*A|VV\s+AA)\b|\bI\.?\s*V\.?\s*A\.?\s+(?:POR|SOBRE|COMISION|DE\s+COMISION)\b', re.I)),
269
  # Chase escribe sus comisiones en ingles y SIEMPRE terminan en 'Fee'
@@ -272,29 +266,24 @@ NATURALEZA = [
272
  ('COMISIONES', re.compile(r'^\s*COM(?:ISION(?:ES)?)?\b|\bCOMISION(?:ES)?\s+(?:POR|MENSUAL|ANUAL|DE\s+MANEJO)|COBRO\s+DE\s+COMISION|^\s*MEMBRESIA|^\s*ANUALIDAD|MANEJO\s+DE\s+CUENTA|\bFEE\s*$|^\s*MONTHLY\s+SERVICE|\bSERVICE\s+CHARGE\b', re.I)),
273
  ('PRESTAMO', re.compile(r'PAGO\s+DE\s+PRESTAMO|^\s*PRESTAMO\b|ABONO\s+A\s+PRESTAMO', re.I)),
274
  ('INTERESES', re.compile(r'^\s*INTERES(?:ES)?\b|\bINTERES(?:ES)?\s+(?:MORATORIO|ORDINARIO|NORMAL|A\s+FAVOR)|RENDIMIENTO(?:S)?\s+PAGADO', re.I)),
275
- # Rendimiento de la PLATAFORMA, no una contraparte. Mercado Pago:
276
- # 'Ganancia Rendimientos de GBM' y 'Ganancia Beneficio de Mercado Pago'
277
- # (este ultimo daba 'ICIO' porque 'MERCADO PAGO' es token de banco y se
278
- # quitaba, dejando basura).
279
  ('RENDIMIENTOS', re.compile(r'RENDIMIENTO|BENEFICIO\s+DE\s+MERCADO|^GANANCIA\b', re.I)),
280
  ('TRASPASO PROPIO', re.compile(r'MISMO\s+TITULAR|TRASPASO\s+ENTRE\s+CUENTAS|CUENTA\s+PROPIA', re.I)),
281
- # Liquidacion de la TERMINAL de tarjetas del propio cliente: son sus
282
- # ventas agregadas, no un tercero. Antes salia 'VENTAS', que no dice
283
- # de que se trata.
284
  ('TERMINAL PUNTO DE VENTA',
285
  re.compile(r'PUNTO\s+DE\s+VENTA|TERMINALES?\s+PUNTO|\bTPV\b', re.I)),
286
  ]
287
- # OJO: aqui NO van 'PAGO DE SERVICIOS' ni 'DOMICILIACION'. Esos SI tienen
288
- # contraparte (CFE, TELMEX, la aseguradora...) y el usuario quiere saber DE QUIEN
289
- # fue el movimiento: colapsarlos en una etiqueta generica escondia 128 y 63
290
- # movimientos de SANTANDER bajo un mismo nombre.
291
 
292
 
293
- # Se parte en DOS TIERS. SIN_CONTRAPARTE se evalua ANTES de las reglas de nombre
294
- # porque son movimientos que por definicion no tienen de quien sacar un nombre.
295
- # FISCAL, en cambio, se evalua DESPUES: 'IVA', 'ISR' y 'COMISION' aparecen dentro
296
- # de conceptos que SI traen nombre o RFC de la contraparte, y etiquetarlos antes
297
- # hacia que la mayoria del desglose saliera como 'IVA'.
298
  _SIN_CONTRAPARTE = {'EFECTIVO', 'RENDIMIENTOS', 'TRASPASO PROPIO',
299
  'TERMINAL PUNTO DE VENTA'}
300
 
@@ -364,11 +353,9 @@ def _resumen_crudo(raw):
364
  return ' '.join(toks[:6])[:60].strip()
365
 
366
 
367
- # Palabras de OPERACION BANCARIA. No son stopwords (no deben cortar la corrida,
368
- # porque 'GM FINANCIAL INTERESES' si trae nombre), pero tampoco cuentan como
369
- # sustancia: una corrida formada SOLO por estas no es un nombre. Sin esto la
370
- # heuristica devolvia 'OPERACION PROCESADA' o 'DOMICILIACION' como si fueran
371
- # la contraparte, y esas etiquetas apelmazaban cientos de movimientos.
372
  GENERICAS = {
373
  'OPERACION', 'OPERACIONES', 'OPER', 'PROCESADA', 'PROCESADO', 'PROCESADAS',
374
  'DOMICILIACION', 'DOMICILIACIONES', 'DOMICIL', 'DOMICILIADO', 'CODI',
@@ -386,15 +373,11 @@ GENERICAS = {
386
  'TRANSACCION', 'TRANSACCIONES', 'PAQUETE', 'ADMINISTRACION',
387
  'ANUALIDAD', 'MANEJO', 'COMPRA', 'COMPRAS', 'ORDEN', 'ORDENES',
388
  'INFORMACI', 'INFORMACION', 'LIQ', 'HORA', 'REFERENCIA',
389
- # Tramite en INGLES (Chase). Lista MINIMA a proposito: solo palabras que
390
- # aparecen en la DESCRIPCION de un movimiento de Chase y que ningun cliente
391
- # usa en su razon social.
392
- # 'INTERNATIONAL' se probo y se QUITO: hay un cliente real llamado
393
- # '... INTERNATIONAL S DE RL DE CV' y marcarla como generica fragmentaba 52
394
- # de sus movimientos en 'FACTURA', 'MERCANCIA' y cuentas sueltas.
395
- # Las palabras del bloque de RESUMEN de Chase (Deposits, Withdrawals, Checks
396
- # Paid, Balance, Additions) no se listan: nunca llegan al mapeo de conceptos
397
- # y solo agregarian riesgo de choque con nombres.
398
  'WIRE', 'FEDWIRE', 'ZELLE', 'BOOK', 'INCOMING', 'OUTGOING', 'DOMESTIC',
399
  'INTL', 'CONSUMER', 'ONLINE', 'PAYMENT', 'PAYMENTS', 'PURCHASE',
400
  'FEE', 'FEES', 'MONTHLY', 'RECURRING', 'TRANSFER', 'TRANSFERS',
@@ -547,9 +530,8 @@ _CH_FIN = re.compile(
547
  # 'Ciudad,ST' (Columbia,MO) es geografia, no parte del nombre.
548
  _CH_CIUDAD = re.compile(r'^[A-Za-z]+,[A-Z]{2}$')
549
  # Claves de estado de EE.UU. Chase pega la ciudad y el estado despues del nombre
550
- # ('A/C: Eduardo Munoz Alarcon San Diego CA'), asi que el nombre TERMINA en la
551
- # clave del estado. Se listan explicitamente para no cortar en cualquier par de
552
- # letras mayusculas, que podria ser parte de una razon social.
553
  _CH_ESTADOS = {
554
  'AL', 'AK', 'AZ', 'AR', 'CA', 'CT', 'DE', 'FL', 'GA', 'HI', 'ID', 'IL',
555
  'IN', 'IA', 'KS', 'KY', 'LA', 'ME', 'MD', 'MA', 'MI', 'MN', 'MS', 'MO',
@@ -621,12 +603,11 @@ def _chase_nombre(raw):
621
  return ''
622
 
623
 
624
- # Referencia ETIQUETADA del movimiento. Solo se usa como ultimo recurso, cuando
625
- # no hay nombre ni cuenta: identifica al cobrador de un recibo y es estable entre
626
- # meses. Se exige la etiqueta ('Ref.', 'REF:') para no confundirla con cualquier
627
- # codigo suelto del texto.
628
- # El \b tras el grupo opcional obliga a consumir la palabra COMPLETA. Sin el,
629
- # 'REFERENCIA' matcheaba como 'REF' + captura 'ERENCIA' -> etiqueta 'REF ERENCIA'.
630
  _REF_RE = re.compile(
631
  r'\bREF(?:ERENCIA)?\b\s*[.:]?\s*([A-Z0-9]{6,20})\b', re.I)
632
 
@@ -723,18 +704,16 @@ def extraer_nombre(concepto, tipo=''):
723
  """
724
  raw = quitar_acentos(str(concepto or '').upper())
725
 
726
- # 0) Movimientos SIN contraparte (efectivo, comisiones, IVA/ISR, intereses,
727
- # servicios): se resumen por su NATURALEZA. Va PRIMERO porque un
728
- # 'RETIRO SIN TARJETA' o un 'DEPOSITO EN EFECTIVO' no tienen de quien
729
- # sacar un nombre y antes terminaban en 'SIN IDENTIFICAR'.
730
  nat = _naturaleza(raw, solo_sin_contraparte=True)
731
  if nat:
732
  return nat
733
 
734
- # 0b) CHASE nombra la contraparte en campos propios (B/O:, A/C:, Zelle).
735
- # Va con las reglas de campo, ANTES de la heuristica, porque esos campos
736
- # son inequivocos. Sin ella la heuristica devolvia el TRAMITE en vez del
737
- # nombre: 'CONSUMER ONLINE INTERNATIONAL WIRE' en lugar de 'BANCO MONEX SA'.
738
  cand = _chase_nombre(raw)
739
  if cand:
740
  return cand
@@ -748,10 +727,8 @@ def extraer_nombre(concepto, tipo=''):
748
  return cand
749
 
750
  # 2) Banorte orden de pago SPEI: 'BENEF:<nombre> (DATO NO VERIF...)'.
751
- # 'BENEF' debe ir SOLO o con ':'/'.', nunca como prefijo de otra palabra: sin
752
- # el (?![A-Z]) matcheaba dentro de BENEFICIO/BENEFICIARIO y capturaba la cola
753
- # ('Ganancia Beneficio de Mercado Pago' -> 'ICIO', 58 movimientos de Mercado
754
- # Pago colapsados en un nombre basura).
755
  m = re.search(r'\bBENEF(?![A-Z])\.?:?\s*(.+?)(?:\(DATO|CVE\s+RAST|\bRFC\b|$)', raw)
756
  if m:
757
  cand = _primer_nombre(m.group(1)) if _nombre_valido(m.group(1)) else ''
@@ -766,9 +743,8 @@ def extraer_nombre(concepto, tipo=''):
766
  return 'CUENTA ' + m.group(1)
767
 
768
  # 3b) BANAMEX domiciliacion: 'CGO DOMICILIACION:<nombre> LEYENDA: ...'. El
769
- # nombre de quien cobra va en ESE campo; sin la regla la heuristica se
770
- # quedaba con el campo posterior 'REF SERV EMISOR' y devolvia
771
- # 'SERV EMISOR' para domiciliaciones de cobradores completamente distintos.
772
  m = re.search(r'DOMICILIACION\s*:\s*(.+?)(?:LEYENDA|REF\s+SERV|CVE\s+DE|\bREF\b|$)',
773
  raw)
774
  if m:
@@ -793,12 +769,9 @@ def extraer_nombre(concepto, tipo=''):
793
  if cand:
794
  return cand
795
 
796
- # 6) SPEI generico: el banco imprime primero las REFERENCIAS (clave de rastreo,
797
- # CLABE, folio: bloques largos de digitos) y AL FINAL el nombre de la
798
- # contraparte. Se toma el texto que sigue al ULTIMO bloque de 10+ digitos.
799
- # Ej: 'SPEI RECIBIDOMULTIVA BANC 0000121PAGO HONORARIOS LOMAS
800
- # 00132180000009445645 26021595130297 ARUAL MEDICINA DE REANIMACION'
801
- # -> 'ARUAL MEDICINA DE REANIMACION'.
802
  if 'SPEI' in raw or 'TRANSFERENCIA' in raw:
803
  cola = re.split(r'\d{10,}', raw)[-1]
804
  cand = _primer_nombre(cola)
@@ -831,15 +804,14 @@ def extraer_nombre(concepto, tipo=''):
831
  runs.append(run)
832
  runs = [r for r in runs if _con_sustancia(r)]
833
  if not runs:
834
- # No hubo NINGUNA corrida con sustancia: el concepto es puro tramite.
835
- # Antes de rendirse se buscan identificadores DUROS de la contraparte.
836
- # El RFC es lo que pidio el usuario: agrupa bien y no se parte en varios.
837
  duro = _rfc_de(raw) or _cuenta_de(raw)
838
  if duro:
839
  return duro
840
- # Antes se devolvia 'SIN IDENTIFICAR' aunque el concepto TUVIERA texto util
841
- # (el Sheet lo mostraba bien y la maqueta no). Ahora solo se rinde si de
842
- # verdad no quedo nada legible.
843
  return (_mejor(_resumen_crudo(raw), raw) or _ultimo_recurso(raw)
844
  or _ref_de(raw) or _folio_de(raw) or 'SIN IDENTIFICAR')
845
  candidata = None
@@ -849,10 +821,8 @@ def extraer_nombre(concepto, tipo=''):
849
  break
850
  if candidata is None:
851
  candidata = max(runs, key=len)
852
- # Tope de 8 palabras, no 6: con 6 se perdia la CABEZA de las razones sociales
853
- # largas ('FINANCIAL DE MEXICO SA DE CV SOFOM' quedaba 'DE MEXICO SA DE CV
854
- # SOFOM', 44 movimientos; 'H&A FOREIGN TRADE SERVICE...' quedaba 'RVICE SA DE
855
- # CV'), porque el recorte conserva la COLA.
856
  candidata = candidata[-8:]
857
  # Se recortan las palabras de tramite del INICIO, nunca del final: al llegar
858
  # a 8 palabras aparece el 'POR ORDEN DE' de las transferencias pegado al
@@ -885,10 +855,9 @@ def fill(template_path, output_path, data):
885
  raise FileNotFoundError('Template no existe: %s' % template_path)
886
  shutil.copy(str(src), output_path)
887
 
888
- # ===== 1) Normalizar transacciones (SIN FILTRAR: se conservan todas) =====
889
- # Cada movimiento del estado de cuenta se conserva tal cual. Solo se MARCA
890
- # si es una comision por SPEI/transferencia (bandera 'es_comision') para la
891
- # comparativa de # de movimientos; la marca NO elimina nada.
892
  txs, comisiones = [], 0
893
  for t in transacciones:
894
  f = parse_fecha(t.get('Fecha'))
@@ -920,23 +889,21 @@ def fill(template_path, output_path, data):
920
  for t in txs:
921
  t['nombre'] = extraer_nombre(t['concepto'])
922
 
923
- # ===== Mapas de nombres con TOPE de capacidad (evita #DESBORDAMIENTO!) =====
924
- # Se construye un mapa nombre->nombre_a_mostrar para depositos y otro para
925
- # retiros: si hay mas nombres distintos que la capacidad del desglose, se
926
- # conservan los mayores por monto y el resto cae en una bolsa "OTROS".
927
  def _mapa_nombres(clave_monto, etiqueta_otros):
928
  tot = {}
929
  for t in txs:
930
  if t[clave_monto] > 0:
931
  tot[t['nombre']] = tot.get(t['nombre'], 0.0) + t[clave_monto]
932
 
933
- # --- Fusion de variantes del MISMO nombre -------------------------------
934
- # El PDF corta la razon social en distinto punto segun cuanto texto la
935
- # precede, asi que el mismo cliente aparece como 'EXPORTACIONES TEXTIL' y
936
- # 'EXPORTACIONES TEXTILES MEXICANAS'. Se fusionan solo cuando la clave
937
- # canonica de uno es PREFIJO de la del otro y mide >= 12 caracteres: es
938
- # conservador a proposito (fusionar de mas atribuiria dinero a la
939
- # contraparte equivocada, que es peor que dejar dos filas separadas).
940
  rep = fusionar_nombres(tot)
941
  fusionado = {}
942
  for n, dest in rep.items():
@@ -970,14 +937,12 @@ def fill(template_path, output_path, data):
970
  fuente = str(srow.get('fuente', '') or '').strip()
971
  saldos[(banco, mes)] = (si, sf, sp, dr, rr, fuente)
972
 
973
- # ===== Saldos por MES CALENDARIO via SALDO CORRIDO =====
974
- # El banco reporta el saldo por CORTE (p.ej. BBVA corta el dia 22, NO por mes
975
- # calendario). Pegar el saldo del corte a un mes calendario descuadra: el saldo
976
- # es del periodo 23->22 pero los ingresos/egresos se suman por mes calendario.
977
- # Por eso derivamos el saldo de cada mes calendario del SALDO CORRIDO: ancla =
978
- # saldo inicial del banco del estado MAS ANTIGUO, y se acumula (deposito-retiro)
979
- # en orden de fecha. Asi DESCUADRE = 0 por construccion, y el primer saldo
980
- # inicial y el ultimo saldo final amarran con lo que reporta el banco.
981
  # acc = [si, sf, has_si, has_sf, sp, has_sp]
982
  _periodos = sorted(saldos.keys(), key=lambda k: k[1])
983
  bank_si = next((saldos[k][0] for k in _periodos if saldos[k][0] is not None), None)
@@ -1034,10 +999,10 @@ def fill(template_path, output_path, data):
1034
  else:
1035
  ventana = []
1036
 
1037
- # ===== 4) Desglose de ingresos/egresos por persona =====
1038
- # En V3.8.1 lo calcula la PLANTILLA sola con formulas dinamicas que agrupan
1039
- # por el nombre que escribimos en la columna Concepto de 08_EC_Raw. Aqui solo
1040
- # contamos cuantos nombres distintos quedaran (tras el tope) para el reporte.
1041
  ordenantes = set(mapa_dep.values())
1042
  beneficiarios = set(mapa_ret.values())
1043
 
@@ -1057,11 +1022,9 @@ def fill(template_path, output_path, data):
1057
 
1058
  filas_xml = []
1059
  for i, t in enumerate(txs, start=2):
1060
- # Concepto que se escribe en la columna B = nombre limpio del
1061
- # ordenante (depositos) o beneficiario (retiros), ya con tope de
1062
- # capacidad aplicado. Asi los DOS desgloses de la plantilla (ingresos
1063
- # por FILTER de Deposito>0, egresos por FILTER de Retiro>0) agrupan por
1064
- # persona sin desbordarse.
1065
  if t['deposito'] > 0:
1066
  concepto_out = mapa_dep.get(t['nombre'], t['nombre'])
1067
  else:
@@ -1104,11 +1067,10 @@ def fill(template_path, output_path, data):
1104
  # que Excel "repare" el archivo por rangos compartidos inconsistentes)
1105
  ec = desharear_formulas(ec)
1106
 
1107
- # limites de escaneo de las formulas sobre 08_EC_Raw. La plantilla usa
1108
- # rangos del tipo '08_EC_Raw'!$F$2:$F$1350 (y $1259 en el FILTER, $560 en
1109
- # versiones viejas). Solo se amplian ESOS limites si hay mas transacciones;
1110
- # NO se tocan referencias a celdas como $J$104 (fila TOTAL del desglose).
1111
- # Patron seguro: ":$<col>$<bound>" -> fin de un rango de una columna.
1112
  def _ampliar_bound(m):
1113
  col, b = m.group(1), int(m.group(2))
1114
  nuevo = max(b, last_row)
@@ -1123,10 +1085,9 @@ def fill(template_path, output_path, data):
1123
  'D': build_cell('D16', s=get_style(ec, 'D16'), num=str(serial(d16))),
1124
  })
1125
 
1126
- # SALDO INICIAL (fila ROW_SALDO_INI) / SALDO FINAL (ROW_SALDO_FIN):
1127
- # valores REALES del banco. Se escriben TODAS las columnas D..I: con dato
1128
- # real si existe, o vacias si ese mes no tiene estado de cuenta (asi no
1129
- # queda el numero viejo de la plantilla ni la cascada). J = suma fila.
1130
  ri, rf = ROW_SALDO_INI, ROW_SALDO_FIN
1131
  upd19, upd28 = {}, {}
1132
  for off, mes in enumerate(ventana):
@@ -1167,10 +1128,9 @@ def fill(template_path, output_path, data):
1167
  # (Desglose por persona: lo genera la plantilla con su formula dinamica B33;
1168
  # no se escribe nada en las filas 33+.)
1169
 
1170
- # ---- VERIFICACION CONTRA TOTALES DEL BANCO (fila ROW_VERIF, V3.8.5) ----
1171
- # Escribe los totales REALES que reporto el banco (depositos/retiros/saldos,
1172
- # deterministas, de totales_banco.py). La plantilla calcula 'Extraido' con
1173
- # SUM(Tabla_EC[...]) y la 'Diferencia'. Si difiere de 0 -> extraccion incompleta.
1174
  rv = ROW_VERIF
1175
  dep_rep_tot = sum(t[3] for t in saldos.values() if len(t) > 3 and t[3] is not None)
1176
  ret_rep_tot = sum(t[4] for t in saldos.values() if len(t) > 4 and t[4] is not None)
@@ -1203,11 +1163,10 @@ def fill(template_path, output_path, data):
1203
  if dev_n:
1204
  _comi_txt += (' | Devoluciones (no cuentan): $%s (%d mov)'
1205
  % ('{:,.2f}'.format(dev_tot), dev_n))
1206
- # Meses FUERA de la ventana de 6 columnas. Los movimientos si estan en
1207
- # 08_EC_Raw, pero 03_EstadosCuenta solo muestra 6 meses: con bancos que cortan
1208
- # a mitad de mes (BBVA corta el dia 22) SEIS estados producen SIETE meses
1209
- # calendario, y el mas viejo queda fuera. Sin este aviso se lee como
1210
- # "faltan movimientos" cuando en realidad es la ventana.
1211
  _fuera = {}
1212
  for t in txs:
1213
  mk = t['fecha'].strftime('%Y-%m')
@@ -1338,12 +1297,10 @@ def unescape_xml(s):
1338
  return unescape(s, {'&quot;': '"', '&apos;': "'"})
1339
 
1340
 
1341
- # Columnas de 07_EC_Raw en la plantilla de microempresa. Ojo: Categoria(E),
1342
- # Deposito(F) y Retiro(G) son COLUMNAS CALCULADAS de Tabla_EC (derivan de Tipo y
1343
- # Monto), y Mes(I)/Anio(J)/MesAnio(K)/Saldo(M) tambien son formulas. Excel solo
1344
- # las autorrellena al editar de forma interactiva, asi que al escribir el XML hay
1345
- # que emitir la formula en CADA fila o esas columnas quedan vacias y toda la
1346
- # maqueta lee ceros.
1347
  MICRO_RAW_HOJA = '07_EC_Raw'
1348
  MICRO_EC_HOJA = '04_EstadosCuenta'
1349
  MICRO_PORTADA_HOJA = '01_Portada'
@@ -1516,13 +1473,11 @@ def fill_microempresa(template_path, output_path, data):
1516
 
1517
  # ===== 5) 04_EstadosCuenta =====
1518
  ec = desharear_formulas(contenido[hojas[MICRO_EC_HOJA]].decode('utf-8'))
1519
- # DEFECTO DE LA PLANTILLA: los SUMIFS de Depositos/Retiros/Efectivo cierran el
1520
- # mes con '"<=" & EDATE(C$7,1)', o sea INCLUYEN el dia 1 del mes siguiente, asi
1521
- # que todo movimiento fechado el dia 1 se suma en DOS meses. Los COUNTIFS de
1522
- # al lado (# Depositos / # Retiros) ya usan '"<"', que es lo correcto.
1523
- # Medido con 6 estados de BANAMEX: +$517,344.11 en depositos y +$192,332.71 en
1524
- # retiros contra lo que reporta el banco. Se corrige aqui para que la maqueta
1525
- # cuadre; conviene arreglarlo tambien en la plantilla de origen.
1526
  n_fix = ec.count('"&lt;=" &amp; EDATE(')
1527
  ec = ec.replace('"&lt;=" &amp; EDATE(', '"&lt;" &amp; EDATE(')
1528
  # los SUMIFS/COUNTIFS escanean 07_EC_Raw hasta $2167: se amplia si hay mas filas
@@ -1600,12 +1555,11 @@ def fill_microempresa(template_path, output_path, data):
1600
 
1601
 
1602
  # ---- Maqueta V4 (EXPEDIENTE_FINANCIERO_V4.0.2) -------------------------------
1603
- # 12 hojas. El ORIGINAL viene en .xlsb (BINARIO: las hojas son .bin, no .xml), asi
1604
- # que la cirugia XML NO puede tocarlo. Se convierte UNA vez a .xlsx con Excel (no
1605
- # tiene macros, no se pierde nada) y esa copia es la que vive en el Space.
1606
- # 08_EC_Raw tiene 13 columnas y Mes/Anio/MesAnio/Saldo son FORMULAS (columnas
1607
- # calculadas de Tabla_EC): hay que emitirlas en CADA fila o quedan vacias y toda
1608
- # la maqueta lee ceros.
1609
  V4_RAW = '08_EC_Raw'
1610
  V4_EC = '03_EstadosCuenta'
1611
  V4_AUX = '10_AUX_Fechas'
@@ -1619,8 +1573,8 @@ V4_F = {
1619
  V4_ROW_SALDO_INI = 29 # D29 = saldo inicial (ancla; E29..I29 son =D38, =E38...)
1620
  V4_ROW_SALDO_PROM = 39 # D39:I39 = saldo promedio del mes (vacias en la plantilla)
1621
  V4_COLS = ['D', 'E', 'F', 'G', 'H', 'I']
1622
- # Columna que se AGREGA a Tabla_EC al llenar: el importe tal como lo imprimio el
1623
- # banco. F/G/H ya vienen convertidos a MXN y con eso se pierde el dato original.
1624
  V4_COL_ORIG = 'N'
1625
  V4_COL_ORIG_TIT = 'Monto Original'
1626
  # El desglose por persona son arrays dinamicos: ingresos filas 43..266 (224) y
@@ -1810,11 +1764,10 @@ def fill_v4(template_path, output_path, data):
1810
  col: build_cell(celda, s=get_style(ec, celda))})
1811
  contenido[hojas[V4_EC]] = ec.encode('utf-8')
1812
 
1813
- # ---- 6) 10_AUX_Fechas: fijar el PRIMER MES de la ventana a los datos ----
1814
- # C14 trae '=$D$8', que resuelve el mes con un desplegable RELATIVO A TODAY()
1815
- # (opciones: 6, 7, 8 o 9 meses atras). Para automatizar hay que ANCLARLO a los
1816
- # estados que se cargaron; si no, la ventana no coincide con los datos y el
1817
- # resumen mensual sale en cero.
1818
  if ventana:
1819
  aux = desharear_formulas(contenido[hojas[V4_AUX]].decode('utf-8'))
1820
  y0, m0 = int(ventana[0][:4]), int(ventana[0][5:7])
 
18
  MESES_ES = ['ene', 'feb', 'mar', 'abr', 'may', 'jun',
19
  'jul', 'ago', 'sep', 'oct', 'nov', 'dic']
20
 
21
+ # Comisiones por SPEI o transferencia. No se descartan: solo se marcan, en la
22
+ # maqueta V3.8, para la comparativa del numero de movimientos.
23
+ # 'CGO' y 'CARGO' NO cuentan como marca de comision: son la palabra que muchos
24
+ # bancos usan para el movimiento mismo, y con ellas dentro se marcaban como
25
+ # comision transferencias reales de cientos de miles de pesos. Una comision se
26
+ # nombra COMISION, COM o CUOTA de forma explicita.
 
 
27
  COMISION_RE = re.compile(
28
  r'(COMIS\w*|\bCOM\b\.?|CUOTA)[\s\S]{0,50}(SPEI|TRANSFER\w*|\bTRANSF\b|\bTEF\b)'
29
  r'|(SPEI|TRANSFER\w*|\bTRANSF\b|\bTEF\b)[\s\S]{0,50}(COMIS\w*|\bCOM\b\.?|CUOTA)',
 
42
  # Columna de la bandera de comision en 08_EC_Raw (fuera de Tabla_EC, que es A:M)
43
  COL_COMISION = 'N'
44
 
45
+ # Capacidad del desglose por persona: el array dinamico se derrama hacia abajo
46
+ # hasta toparse con la fila TOTAL, y con mas nombres que filas libres Excel marca
47
+ # #DESBORDAMIENTO!. Se conservan los mayores por monto y el resto va a "OTROS".
 
 
48
  DESGLOSE_CAPACIDAD = 74
49
 
50
  EPOCH = date(1899, 12, 30)
 
241
 
242
  PERMITIDAS_CORTAS = {'Y', 'DE', 'LA', 'EL', 'SA', 'CV', 'RL', 'SC', 'AC', 'S'}
243
 
244
+ # Movimientos sin contraparte: se resumen por su NATURALEZA, no por nombre.
245
+ # Todo lo que aluda a efectivo se etiqueta 'EFECTIVO'; sin esta regla cae en
246
+ # 'SIN IDENTIFICAR', porque EFECTIVO, DEPOSITO y CAJERO son stopwords.
 
247
  EFECTIVO_RE = re.compile(
248
  r'RETIRO\s+SIN\s+TARJETA|SIN\s+TARJETA|EN\s+EFECTIVO|DE\s+EFECTIVO|'
249
  r'\bEFECTIVO\b|DISPOSICION\s+(?:DE\s+)?EFECTIVO|RETIRO\s+CAJERO|'
 
254
  # El orden importa: se evalua de arriba hacia abajo.
255
  NATURALEZA = [
256
  ('EFECTIVO', EFECTIVO_RE),
257
+ # Anclados: solo disparan si el concepto ARRANCA con el impuesto o la
258
+ # comision, o si va seguido de lo que cobra ('IVA POR COMISION'). BANAMEX
259
+ # imprime '... RFC: ND IVA: . 0 ...' como CAMPOS del movimiento, asi que
260
+ # buscarlos en cualquier posicion se come conceptos que si traen nombre.
 
261
  ('ISR', re.compile(r'^\s*I\.?\s*S\.?\s*R\b|IMPUESTO\s+SOBRE\s+LA\s+RENTA|RETENCION\s+(?:DE\s+)?ISR', re.I)),
262
  ('IVA', re.compile(r'^\s*(?:I\.?\s*V\.?\s*A|VV\s+AA)\b|\bI\.?\s*V\.?\s*A\.?\s+(?:POR|SOBRE|COMISION|DE\s+COMISION)\b', re.I)),
263
  # Chase escribe sus comisiones en ingles y SIEMPRE terminan en 'Fee'
 
266
  ('COMISIONES', re.compile(r'^\s*COM(?:ISION(?:ES)?)?\b|\bCOMISION(?:ES)?\s+(?:POR|MENSUAL|ANUAL|DE\s+MANEJO)|COBRO\s+DE\s+COMISION|^\s*MEMBRESIA|^\s*ANUALIDAD|MANEJO\s+DE\s+CUENTA|\bFEE\s*$|^\s*MONTHLY\s+SERVICE|\bSERVICE\s+CHARGE\b', re.I)),
267
  ('PRESTAMO', re.compile(r'PAGO\s+DE\s+PRESTAMO|^\s*PRESTAMO\b|ABONO\s+A\s+PRESTAMO', re.I)),
268
  ('INTERESES', re.compile(r'^\s*INTERES(?:ES)?\b|\bINTERES(?:ES)?\s+(?:MORATORIO|ORDINARIO|NORMAL|A\s+FAVOR)|RENDIMIENTO(?:S)?\s+PAGADO', re.I)),
269
+ # Rendimiento de la plataforma, no una contraparte: 'Ganancia Rendimientos
270
+ # de GBM', 'Ganancia Beneficio de Mercado Pago'.
 
 
271
  ('RENDIMIENTOS', re.compile(r'RENDIMIENTO|BENEFICIO\s+DE\s+MERCADO|^GANANCIA\b', re.I)),
272
  ('TRASPASO PROPIO', re.compile(r'MISMO\s+TITULAR|TRASPASO\s+ENTRE\s+CUENTAS|CUENTA\s+PROPIA', re.I)),
273
+ # Liquidacion de la terminal de tarjetas del propio cliente: son sus ventas
274
+ # agregadas, no un tercero.
 
275
  ('TERMINAL PUNTO DE VENTA',
276
  re.compile(r'PUNTO\s+DE\s+VENTA|TERMINALES?\s+PUNTO|\bTPV\b', re.I)),
277
  ]
278
+ # Aqui NO van 'PAGO DE SERVICIOS' ni 'DOMICILIACION': esos si tienen contraparte
279
+ # (CFE, TELMEX, la aseguradora) y colapsarlos en una etiqueta generica esconde de
280
+ # quien fue el movimiento.
 
281
 
282
 
283
+ # Dos tiers. SIN_CONTRAPARTE se evalua ANTES de las reglas de nombre, porque son
284
+ # movimientos que por definicion no tienen de quien sacarlo. El fiscal se evalua
285
+ # DESPUES: 'IVA', 'ISR' y 'COMISION' aparecen dentro de conceptos que si traen
286
+ # nombre o RFC.
 
287
  _SIN_CONTRAPARTE = {'EFECTIVO', 'RENDIMIENTOS', 'TRASPASO PROPIO',
288
  'TERMINAL PUNTO DE VENTA'}
289
 
 
353
  return ' '.join(toks[:6])[:60].strip()
354
 
355
 
356
+ # Palabras de operacion bancaria. No son stopwords, porque no deben cortar la
357
+ # corrida ('GM FINANCIAL INTERESES' si trae nombre), pero tampoco cuentan como
358
+ # sustancia: una corrida formada SOLO por estas no es un nombre.
 
 
359
  GENERICAS = {
360
  'OPERACION', 'OPERACIONES', 'OPER', 'PROCESADA', 'PROCESADO', 'PROCESADAS',
361
  'DOMICILIACION', 'DOMICILIACIONES', 'DOMICIL', 'DOMICILIADO', 'CODI',
 
373
  'TRANSACCION', 'TRANSACCIONES', 'PAQUETE', 'ADMINISTRACION',
374
  'ANUALIDAD', 'MANEJO', 'COMPRA', 'COMPRAS', 'ORDEN', 'ORDENES',
375
  'INFORMACI', 'INFORMACION', 'LIQ', 'HORA', 'REFERENCIA',
376
+ # Tramite en INGLES (Chase). Lista MINIMA a proposito: solo palabras de la
377
+ # descripcion de un movimiento que ningun cliente use en su razon social.
378
+ # 'INTERNATIONAL' queda FUERA: hay clientes llamados '... INTERNATIONAL S DE
379
+ # RL DE CV' y marcarla fragmenta sus movimientos. Las palabras del bloque de
380
+ # resumen (Deposits, Withdrawals, Checks Paid) tampoco: no llegan al mapeo.
 
 
 
 
381
  'WIRE', 'FEDWIRE', 'ZELLE', 'BOOK', 'INCOMING', 'OUTGOING', 'DOMESTIC',
382
  'INTL', 'CONSUMER', 'ONLINE', 'PAYMENT', 'PAYMENTS', 'PURCHASE',
383
  'FEE', 'FEES', 'MONTHLY', 'RECURRING', 'TRANSFER', 'TRANSFERS',
 
530
  # 'Ciudad,ST' (Columbia,MO) es geografia, no parte del nombre.
531
  _CH_CIUDAD = re.compile(r'^[A-Za-z]+,[A-Z]{2}$')
532
  # Claves de estado de EE.UU. Chase pega la ciudad y el estado despues del nombre
533
+ # ('A/C: Eduardo Munoz Alarcon San Diego CA'), asi que el nombre termina ahi. Se
534
+ # listan una por una para no cortar en cualquier par de letras mayusculas.
 
535
  _CH_ESTADOS = {
536
  'AL', 'AK', 'AZ', 'AR', 'CA', 'CT', 'DE', 'FL', 'GA', 'HI', 'ID', 'IL',
537
  'IN', 'IA', 'KS', 'KY', 'LA', 'ME', 'MD', 'MA', 'MI', 'MN', 'MS', 'MO',
 
603
  return ''
604
 
605
 
606
+ # Referencia etiquetada, ultimo recurso cuando no hay nombre ni cuenta:
607
+ # identifica al cobrador de un recibo y es estable entre meses. Se exige la
608
+ # etiqueta ('Ref.', 'REF:') para no tomar cualquier codigo del texto, y el \b
609
+ # tras el grupo opcional obliga a consumir la palabra completa: sin el,
610
+ # 'REFERENCIA' se captura a si misma.
 
611
  _REF_RE = re.compile(
612
  r'\bREF(?:ERENCIA)?\b\s*[.:]?\s*([A-Z0-9]{6,20})\b', re.I)
613
 
 
704
  """
705
  raw = quitar_acentos(str(concepto or '').upper())
706
 
707
+ # 0) Movimientos sin contraparte (efectivo, rendimientos, traspaso propio):
708
+ # se resumen por su naturaleza. Va primero porque un 'RETIRO SIN TARJETA'
709
+ # no tiene de quien sacar un nombre.
 
710
  nat = _naturaleza(raw, solo_sin_contraparte=True)
711
  if nat:
712
  return nat
713
 
714
+ # 0b) CHASE nombra la contraparte en campos propios (B/O:, A/C:, Zelle), que
715
+ # son inequivocos, asi que van antes de la heuristica: si no, esta
716
+ # devuelve el tramite en vez del nombre.
 
717
  cand = _chase_nombre(raw)
718
  if cand:
719
  return cand
 
727
  return cand
728
 
729
  # 2) Banorte orden de pago SPEI: 'BENEF:<nombre> (DATO NO VERIF...)'.
730
+ # El (?![A-Z]) es necesario para que 'BENEF' no matchee dentro de BENEFICIO
731
+ # o BENEFICIARIO y capture la cola de la palabra.
 
 
732
  m = re.search(r'\bBENEF(?![A-Z])\.?:?\s*(.+?)(?:\(DATO|CVE\s+RAST|\bRFC\b|$)', raw)
733
  if m:
734
  cand = _primer_nombre(m.group(1)) if _nombre_valido(m.group(1)) else ''
 
743
  return 'CUENTA ' + m.group(1)
744
 
745
  # 3b) BANAMEX domiciliacion: 'CGO DOMICILIACION:<nombre> LEYENDA: ...'. El
746
+ # nombre de quien cobra va en ESE campo; la heuristica se queda con el
747
+ # posterior 'REF SERV EMISOR', igual para cobradores distintos.
 
748
  m = re.search(r'DOMICILIACION\s*:\s*(.+?)(?:LEYENDA|REF\s+SERV|CVE\s+DE|\bREF\b|$)',
749
  raw)
750
  if m:
 
769
  if cand:
770
  return cand
771
 
772
+ # 6) SPEI generico: el banco imprime primero las referencias (rastreo, CLABE,
773
+ # folio) y al final el nombre, asi que se toma el texto que sigue al
774
+ # ULTIMO bloque de 10+ digitos.
 
 
 
775
  if 'SPEI' in raw or 'TRANSFERENCIA' in raw:
776
  cola = re.split(r'\d{10,}', raw)[-1]
777
  cand = _primer_nombre(cola)
 
804
  runs.append(run)
805
  runs = [r for r in runs if _con_sustancia(r)]
806
  if not runs:
807
+ # Ninguna corrida con sustancia: el concepto es puro tramite. Se buscan
808
+ # identificadores duros de la contraparte, empezando por el RFC, que
809
+ # agrupa bien y no se parte en varias etiquetas.
810
  duro = _rfc_de(raw) or _cuenta_de(raw)
811
  if duro:
812
  return duro
813
+ # 'SIN IDENTIFICAR' solo si de verdad no quedo nada legible: la
814
+ # referencia y el folio se prefieren antes de rendirse.
 
815
  return (_mejor(_resumen_crudo(raw), raw) or _ultimo_recurso(raw)
816
  or _ref_de(raw) or _folio_de(raw) or 'SIN IDENTIFICAR')
817
  candidata = None
 
821
  break
822
  if candidata is None:
823
  candidata = max(runs, key=len)
824
+ # El recorte conserva la COLA, asi que el tope es de 8 palabras y no de 6:
825
+ # con 6 se pierde la cabeza de las razones sociales largas.
 
 
826
  candidata = candidata[-8:]
827
  # Se recortan las palabras de tramite del INICIO, nunca del final: al llegar
828
  # a 8 palabras aparece el 'POR ORDEN DE' de las transferencias pegado al
 
855
  raise FileNotFoundError('Template no existe: %s' % template_path)
856
  shutil.copy(str(src), output_path)
857
 
858
+ # ===== 1) Normalizar transacciones, sin filtrar ninguna =====
859
+ # Cada movimiento se conserva tal cual. Solo se marca si es comision por
860
+ # SPEI o transferencia, para la comparativa; la marca no elimina nada.
 
861
  txs, comisiones = [], 0
862
  for t in transacciones:
863
  f = parse_fecha(t.get('Fecha'))
 
889
  for t in txs:
890
  t['nombre'] = extraer_nombre(t['concepto'])
891
 
892
+ # ===== Mapas de nombres con tope de capacidad =====
893
+ # Un mapa nombre->nombre_a_mostrar para depositos y otro para retiros. Si hay
894
+ # mas nombres que filas en el desglose, los menores caen en "OTROS".
 
895
  def _mapa_nombres(clave_monto, etiqueta_otros):
896
  tot = {}
897
  for t in txs:
898
  if t[clave_monto] > 0:
899
  tot[t['nombre']] = tot.get(t['nombre'], 0.0) + t[clave_monto]
900
 
901
+ # Fusion de variantes del mismo nombre. El PDF corta la razon social en
902
+ # distinto punto segun cuanto texto la precede, asi que el mismo cliente
903
+ # aparece como 'EXPORTACIONES TEXTIL' y 'EXPORTACIONES TEXTILES
904
+ # MEXICANAS'. Solo se fusionan si la clave canonica de uno es prefijo de
905
+ # la del otro y mide 12+ caracteres: fusionar de mas atribuiria dinero a
906
+ # la contraparte equivocada, peor que dejar dos filas.
 
907
  rep = fusionar_nombres(tot)
908
  fusionado = {}
909
  for n, dest in rep.items():
 
937
  fuente = str(srow.get('fuente', '') or '').strip()
938
  saldos[(banco, mes)] = (si, sf, sp, dr, rr, fuente)
939
 
940
+ # ===== Saldos por mes calendario via saldo corrido =====
941
+ # El banco reporta el saldo por CORTE (BBVA corta el dia 22), no por mes
942
+ # calendario, asi que pegar ese saldo a un mes descuadra contra ingresos y
943
+ # egresos que si se suman por mes. El saldo de cada mes se deriva del saldo
944
+ # corrido: se ancla en el saldo inicial del estado mas antiguo y se acumula
945
+ # (deposito - retiro) por fecha. Asi el descuadre es 0 por construccion.
 
 
946
  # acc = [si, sf, has_si, has_sf, sp, has_sp]
947
  _periodos = sorted(saldos.keys(), key=lambda k: k[1])
948
  bank_si = next((saldos[k][0] for k in _periodos if saldos[k][0] is not None), None)
 
999
  else:
1000
  ventana = []
1001
 
1002
+ # ===== 4) Desglose de ingresos y egresos por persona =====
1003
+ # Lo calcula la PLANTILLA con formulas dinamicas que agrupan por el nombre de
1004
+ # la columna Concepto. Aqui solo se cuentan los nombres distintos que
1005
+ # quedaran, para el reporte.
1006
  ordenantes = set(mapa_dep.values())
1007
  beneficiarios = set(mapa_ret.values())
1008
 
 
1022
 
1023
  filas_xml = []
1024
  for i, t in enumerate(txs, start=2):
1025
+ # En la columna B va el nombre limpio del ordenante o del beneficiario,
1026
+ # ya con el tope aplicado, para que los dos desgloses de la plantilla
1027
+ # agrupen por persona sin desbordarse.
 
 
1028
  if t['deposito'] > 0:
1029
  concepto_out = mapa_dep.get(t['nombre'], t['nombre'])
1030
  else:
 
1067
  # que Excel "repare" el archivo por rangos compartidos inconsistentes)
1068
  ec = desharear_formulas(ec)
1069
 
1070
+ # Limites de escaneo de las formulas sobre 08_EC_Raw, del tipo
1071
+ # '08_EC_Raw'!$F$2:$F$1350. Solo se amplian esos si hay mas transacciones; no
1072
+ # se tocan referencias a celdas como $J$104 (fila TOTAL del desglose). El
1073
+ # patron ':$<col>$<limite>' identifica el fin de un rango de columna.
 
1074
  def _ampliar_bound(m):
1075
  col, b = m.group(1), int(m.group(2))
1076
  nuevo = max(b, last_row)
 
1085
  'D': build_cell('D16', s=get_style(ec, 'D16'), num=str(serial(d16))),
1086
  })
1087
 
1088
+ # Saldo inicial y final: valores REALES del banco. Se escriben todas las
1089
+ # columnas D..I, vacias si ese mes no tiene estado, para que no quede el
1090
+ # numero viejo de la plantilla. J es la suma de la fila.
 
1091
  ri, rf = ROW_SALDO_INI, ROW_SALDO_FIN
1092
  upd19, upd28 = {}, {}
1093
  for off, mes in enumerate(ventana):
 
1128
  # (Desglose por persona: lo genera la plantilla con su formula dinamica B33;
1129
  # no se escribe nada en las filas 33+.)
1130
 
1131
+ # ---- Verificacion contra los totales del banco ----
1132
+ # Escribe los totales que reporto el banco. La plantilla calcula 'Extraido'
1133
+ # con SUM(Tabla_EC[...]) y la 'Diferencia': si no es 0, falta extraccion.
 
1134
  rv = ROW_VERIF
1135
  dep_rep_tot = sum(t[3] for t in saldos.values() if len(t) > 3 and t[3] is not None)
1136
  ret_rep_tot = sum(t[4] for t in saldos.values() if len(t) > 4 and t[4] is not None)
 
1163
  if dev_n:
1164
  _comi_txt += (' | Devoluciones (no cuentan): $%s (%d mov)'
1165
  % ('{:,.2f}'.format(dev_tot), dev_n))
1166
+ # Meses fuera de la ventana de 6 columnas. Los movimientos si estan en
1167
+ # 08_EC_Raw, pero 03_EstadosCuenta muestra 6 meses, y con bancos que cortan a
1168
+ # mitad de mes seis estados producen siete meses calendario. El aviso evita
1169
+ # que se lea como movimientos faltantes.
 
1170
  _fuera = {}
1171
  for t in txs:
1172
  mk = t['fecha'].strftime('%Y-%m')
 
1297
  return unescape(s, {'&quot;': '"', '&apos;': "'"})
1298
 
1299
 
1300
+ # Columnas de 07_EC_Raw en la plantilla de microempresa. Categoria(E),
1301
+ # Deposito(F), Retiro(G), Mes(I), Anio(J), MesAnio(K) y Saldo(M) son columnas
1302
+ # CALCULADAS. Excel solo las autorrellena al editar de forma interactiva, asi que
1303
+ # al escribir el XML hay que emitir la formula en CADA fila o quedan vacias.
 
 
1304
  MICRO_RAW_HOJA = '07_EC_Raw'
1305
  MICRO_EC_HOJA = '04_EstadosCuenta'
1306
  MICRO_PORTADA_HOJA = '01_Portada'
 
1473
 
1474
  # ===== 5) 04_EstadosCuenta =====
1475
  ec = desharear_formulas(contenido[hojas[MICRO_EC_HOJA]].decode('utf-8'))
1476
+ # Defecto de la plantilla: los SUMIFS de Depositos/Retiros/Efectivo cierran
1477
+ # el mes con '"<=" & EDATE(C$7,1)', o sea incluyen el dia 1 del mes
1478
+ # siguiente, asi que un movimiento de ese dia se suma en DOS meses. Los
1479
+ # COUNTIFS de al lado ya usan '"<"', que es lo correcto. Se corrige aqui;
1480
+ # conviene arreglarlo tambien en la plantilla de origen.
 
 
1481
  n_fix = ec.count('"&lt;=" &amp; EDATE(')
1482
  ec = ec.replace('"&lt;=" &amp; EDATE(', '"&lt;" &amp; EDATE(')
1483
  # los SUMIFS/COUNTIFS escanean 07_EC_Raw hasta $2167: se amplia si hay mas filas
 
1555
 
1556
 
1557
  # ---- Maqueta V4 (EXPEDIENTE_FINANCIERO_V4.0.2) -------------------------------
1558
+ # 12 hojas. El original viene en .xlsb, cuyas hojas son .bin y no .xml, asi que
1559
+ # la cirugia XML no puede tocarlo: se convierte una vez a .xlsx con Excel y esa
1560
+ # copia es la que vive en el Space.
1561
+ # En 08_EC_Raw, Mes/Anio/MesAnio/Saldo son columnas calculadas y hay que emitir
1562
+ # su formula en CADA fila o quedan vacias.
 
1563
  V4_RAW = '08_EC_Raw'
1564
  V4_EC = '03_EstadosCuenta'
1565
  V4_AUX = '10_AUX_Fechas'
 
1573
  V4_ROW_SALDO_INI = 29 # D29 = saldo inicial (ancla; E29..I29 son =D38, =E38...)
1574
  V4_ROW_SALDO_PROM = 39 # D39:I39 = saldo promedio del mes (vacias en la plantilla)
1575
  V4_COLS = ['D', 'E', 'F', 'G', 'H', 'I']
1576
+ # Columna extra de Tabla_EC, escrita al llenar y no presente en la plantilla: el
1577
+ # importe tal como lo imprimio el banco. F/G/H ya vienen convertidos a MXN.
1578
  V4_COL_ORIG = 'N'
1579
  V4_COL_ORIG_TIT = 'Monto Original'
1580
  # El desglose por persona son arrays dinamicos: ingresos filas 43..266 (224) y
 
1764
  col: build_cell(celda, s=get_style(ec, celda))})
1765
  contenido[hojas[V4_EC]] = ec.encode('utf-8')
1766
 
1767
+ # ---- 6) 10_AUX_Fechas: fijar el primer mes de la ventana a los datos ----
1768
+ # C14 trae '=$D$8', que resuelve el mes con un desplegable relativo a TODAY().
1769
+ # Hay que anclarlo a los estados cargados o la ventana no coincide con los
1770
+ # datos y el resumen mensual sale en cero.
 
1771
  if ventana:
1772
  aux = desharear_formulas(contenido[hojas[V4_AUX]].decode('utf-8'))
1773
  y0, m0 = int(ventana[0][:4]), int(ventana[0][5:7])
totales_banco.py CHANGED
@@ -7,8 +7,10 @@ Lee un PDF de estado de cuenta y extrae, de forma DETERMINISTA (sin IA), los
7
  TOTALES que el propio banco reporta en su resumen: depositos, retiros, saldo
8
  inicial y saldo final. Estos son los numeros reales/oficiales del banco.
9
 
10
- Bancos soportados: SANTANDER, BANAMEX, BANORTE (se detecta por los patrones
11
- distintivos del resumen, no por el nombre, que aparece en transacciones).
 
 
12
 
13
  Uso:
14
  python3 totales_banco.py /ruta/al/estado.pdf
@@ -30,12 +32,9 @@ _NUM = r'[\d,]+\.\d{2}'
30
 
31
 
32
  # ---------------------------------------------------------------------------
33
- # HSBC: fuente con nombres de glifo '/EX<ddd>000' donde <ddd> es el codigo
34
- # UNICODE DECIMAL del caracter ('EX067000' -> 'C'). Es la salida de Xenos
35
- # D2eVision, la herramienta de mainframe con la que HSBC genera el estado.
36
- # Sin traducir esto, pypdf devuelve literalmente '/EX067000/EX085000...' y
37
- # pdfplumber devuelve mojibake ('...(cid:228)...'): CERO importes reconocibles,
38
- # el banco sale DESCONOCIDO y todo el estado cae a Gemini.
39
  _GLIFO_EX = re.compile(r'/EX(\d{3})000')
40
 
41
 
@@ -160,9 +159,8 @@ def detectar_moneda(t):
160
  if 'JPMORGANCHASEBANK' in _ns:
161
  return 'USD'
162
  n = _sin_acentos(t).upper()
163
- # Marca POSITIVA de dolares (anclada, no de glosario):
164
- # - etiqueta del resumen 'MONEDA DOLAR(ES)' precedida de 'FINANCIERA'
165
- # - encabezado de cuenta en dolares 'CASH MANAGEMENT DLLS'
166
  if re.search(r'FINANCIERA\s+MONEDA\s+DOLAR(?:ES)?\b', n):
167
  return 'USD'
168
  if re.search(r'CASH\s+MANAGEMENT\s+DLLS\b', n):
@@ -187,10 +185,8 @@ MESES_EN = {'JANUARY': 1, 'FEBRUARY': 2, 'MARCH': 3, 'APRIL': 4, 'MAY': 5,
187
  _CH_PERIODO = re.compile(
188
  r'(\w+)\s+(\d{1,2}),\s*(\d{4})\s+through\s+(\w+)\s+(\d{1,2}),\s*(\d{4})')
189
 
190
- # Categorias del bloque 'CHECKING SUMMARY'. Chase las lista por separado y con
191
- # SIGNO: los retiros y las comisiones vienen negativos y hay que sumarlos TODOS
192
- # ('Fees' va aparte de 'Electronic Withdrawals'; sumar solo una deja el estado
193
- # descuadrado por el monto de la otra).
194
  _CH_CATS = re.compile(
195
  r'^(Deposits and Additions|Electronic Withdrawals|Checks Paid|'
196
  r'ATM & Debit Card Withdrawals|Other Withdrawals|Fees|'
@@ -259,29 +255,20 @@ def _chase_resumen(t):
259
 
260
 
261
  def detectar_banco(t):
262
- # 0) AMEX (TARJETA DE CREDITO) primero, por su huella UNICA. No se puede detectar
263
- # por conteo de RFC: AmEx no imprime su RFC en cada pagina (sale ~2 veces) y, en
264
- # cambio, las compras citan el RFC del banco ADQUIRENTE del comercio (p.ej. el de
265
- # BBVA sale 5+ veces) -> el conteo lo confundiria con BBVA. La firma del estado de
266
- # tarjeta ('American Express' + 'al corte' + 'Saldo Anterior') no la tiene ningun
267
- # estado de banco, ni siquiera uno que pague una tarjeta AmEx.
268
  NS = re.sub(r'\s+', '', _sin_acentos(t).upper())
269
  if 'AMERICANEXPRESS' in NS and 'ALCORTE' in NS and 'SALDOANTERIOR' in NS:
270
  return 'AMEX'
271
  if NS.count('AEC810901298') >= 2 and 'AMERICANEXPRESS' in NS:
272
  return 'AMEX'
273
- # 0b) JPMORGAN CHASE. Va ANTES del conteo de RFC porque sus descripciones
274
- # citan bancos mexicanos por nombre ('A/C: Banco Monex, S.A. Mexico') y
275
- # podrian llegar a citar un RFC, que lo haria pasar por banco mexicano.
276
- # La huella es del emisor y sale en todas las paginas.
277
  if 'JPMORGANCHASEBANK' in NS or ('CHASE.COM' in NS and 'PRIMARYACCOUNT' in NS):
278
  return 'CHASE'
279
- # 1) por RFC del EMISOR. Puede aparecer mas de un RFC de banco (una transferencia
280
- # a veces menciona el RFC de OTRO banco), asi que gana el MAS FRECUENTE: el del
281
- # emisor sale en el encabezado/pie de CADA pagina, mientras que el de una
282
- # contraparte sale 1-2 veces. (Antes se tomaba el primero del dict -> un PDF de
283
- # Banorte que mencionaba el RFC de Santander se detectaba mal como Santander.)
284
- # Se quitan tambien los GUIONES: HSBC imprime su RFC como 'HMI-950125KG8'.
285
  U = re.sub(r'[\s\-]+', '', t.upper())
286
  counts = {}
287
  for rfc, banco in RFC_BANCO.items():
@@ -290,16 +277,12 @@ def detectar_banco(t):
290
  counts[banco] = counts.get(banco, 0) + c
291
  if counts:
292
  return max(counts, key=counts.get)
293
- # 2a) MERCADO PAGO (MP Agregador, S. de R.L. de C.V.): no imprime RFC de banco
294
- # -- el 'RFC/CURP' que trae es el DEL CLIENTE -- asi que se identifica por
295
- # la huella de su formato, que ningun banco usa: el titulo 'ESTADO DE
296
- # SALDOS Y MOVIMIENTOS' junto al campo 'Cust id:'.
297
  if ('ESTADODESALDOSYMOVIMIENTOS' in NS and 'CUSTID' in NS) or ('MPAGREGADOR' in NS and 'MERCADOPAGO' in NS):
298
  return 'MERCADO PAGO'
299
- # 2) fallback por formato (sin RFC en la capa de texto). BANORTE primero, con
300
- # marcadores propios muy especificos, porque su resumen tambien trae
301
- # 'Otros cargos'/'Saldo Anterior'/'Depositos'/'Retiros' y matcharia los
302
- # fallbacks laxos de Santander/Banamex.
303
  if re.search(r'Banco\s+Mercantil\s+del\s+Norte', t, re.I) or \
304
  (re.search(r'Total\s+de\s+dep[oó]sitos', t, re.I) and re.search(r'Total\s+de\s+retiros', t, re.I)):
305
  return 'BANORTE'
@@ -373,17 +356,12 @@ def _amex_resumen(t):
373
 
374
 
375
  def extraer(path, _todo=False):
376
- # _todo=False lee solo portada + cierre (ver leer_texto). Si con eso no se
377
- # detecta el banco o faltan los totales, se REINTENTA con el documento
378
- # completo: un banco nuevo cuyo resumen viva a media docena de paginas sigue
379
- # funcionando, solo que pagando el costo de leerlo entero.
380
  t = leer_texto(path, todo=_todo)
381
- # PDF SIN CAPA DE TEXTO: cada letra viene como trazo vectorial (0 caracteres,
382
- # 0 fuentes). Pasa con estados RE-IMPRESOS a PDF en vez de descargados del
383
- # portal del banco. Sin texto no hay nada que extraer por regex NI por IA de
384
- # texto: el unico camino seria OCR. Se corta aqui para no pagar el reintento con
385
- # el documento completo (devuelve la misma cadena vacia), y la bandera permite
386
- # apartar el PDF en vez de mandarlo a Gemini, que sin texto solo puede inventar.
387
  if not t.strip():
388
  return {'banco': 'DESCONOCIDO', 'moneda': 'MXN',
389
  'depositos': None, 'retiros': None, 'saldo_inicial': None,
@@ -393,9 +371,8 @@ def extraer(path, _todo=False):
393
  moneda = detectar_moneda(t)
394
 
395
  if banco == 'AMEX':
396
- # TARJETA DE CREDITO: se reporta como bloque aparte (deuda/consumo/pagos),
397
- # no como cuenta de flujo. Igual exponemos depositos/retiros/saldos como
398
- # alias para no romper consumidores que esperan ese esquema.
399
  r = _amex_resumen(t)
400
  sa = r.get('saldo_anterior'); pc = r.get('pagos_creditos')
401
  ca = r.get('cargos'); sc = r.get('saldo_corte')
@@ -447,9 +424,8 @@ def extraer(path, _todo=False):
447
  dep, ret, si, sf = _chase_resumen(t)
448
 
449
  elif banco == 'MERCADO PAGO':
450
- # Resumen de la pagina 1. 'Salidas' viene con signo NEGATIVO
451
- # ('Salidas: $ -597,068.45'), asi que se toma el valor absoluto para
452
- # dejarlo en la misma convencion que el resto de los bancos.
453
  dep = find(r'Entradas\s*:' + M, t)
454
  _sal = re.search(r'Salidas\s*:' + _PRE + r'(-?[\d,]+\.\d{2})', t, re.I)
455
  ret = abs(money(_sal.group(1))) if _sal else None
@@ -457,14 +433,9 @@ def extraer(path, _todo=False):
457
  sf = find(r'Saldo\s*final\s*:' + M, t)
458
 
459
  elif banco == 'HSBC':
460
- # Resumen de la pagina 1 ('RESUMEN DE CUENTAS'). Las etiquetas vienen
461
- # PARTIDAS en varias lineas por el ancho de la caja, y el '4' que las
462
- # precede es un bullet del catalogo de fuentes de HSBC, no un numero:
463
- # '4Saldo Inicial del\nPeriodo\n$ 11,902.36'
464
- # '4Depositos/\nAbonos\n$ 226,671.87'
465
- # '4Retiros/Cargos$ 185,611.64'
466
- # Por eso se tolera cualquier cosa entre la etiqueta y el importe con
467
- # [\s\S]{0,40} en vez de exigirlos en el mismo renglon.
468
  dep = find(r'Dep[oó]sitos\s*/[\s\S]{0,20}Abonos[\s\S]{0,12}?' + M, t)
469
  ret = find(r'Retiros\s*/\s*Cargos[\s\S]{0,12}?' + M, t)
470
  si = find(r'Saldo\s*Inicial\s*del[\s\S]{0,20}Periodo[\s\S]{0,12}?' + M, t)
@@ -472,32 +443,24 @@ def extraer(path, _todo=False):
472
  saldo_promedio = find(r'Saldo\s*Promedio\s*en\s*el\s*Mes[^$\n]{0,70}?' + M, t)
473
 
474
  elif banco == 'MONEX':
475
- # El resumen vive en la pagina 2 ('Resumen Cuenta', columna derecha). DOS
476
- # trampas, ambas resueltas exigiendo los DOS PUNTOS de la etiqueta:
477
- # 1) en la MISMA pagina hay una tabla 'Resumen Divisas' con encabezados
478
- # 'Divisa | Saldo inicial del periodo | Abonos | Cargos | Saldo' y la fila
479
- # 'dolar americano 1.06 38,779.50 38,779.60 0.96': son los totales de la
480
- # SUBCUENTA EN DOLARES, no los de la cuenta en pesos.
481
- # 2) el encabezado de la tabla de movimientos repite 'Saldo total' y
482
- # 'Saldo disponible' SIN dos puntos.
483
- # Las etiquetas del resumen son las unicas que llevan ':'.
484
  dep = find(r'Total\s*abonos\s*:' + M, t)
485
  ret = find(r'Total\s*cargos\s*:' + M, t)
486
  si = find(r'Saldo\s*inicial\s*:' + M, t)
487
  sf = find(r'Saldo\s*total\s*:' + M, t) or find(r'Saldo\s*vista\s*:' + M, t)
488
  saldo_promedio = find(r'Saldo\s*promedio\s*\(\s*Intereses\s*\)\s*:' + M, t)
489
- # Si el cliente tiene subcuenta en dolares, el PDF trae MAS ADELANTE un
490
- # SEGUNDO bloque 'Resumen cuenta / dolar americano' con las MISMAS etiquetas
491
- # con dos puntos. Se toma SIEMPRE la PRIMERA ocurrencia (find usa re.search)
492
- # porque el bloque en PESOS va antes; que cuadre_interno salga 0.00 confirma
493
- # que los cuatro totales salieron del MISMO bloque.
494
 
495
  elif banco == 'BANORTE':
496
- # Banorte SEPARA las salidas en el resumen (Total de retiros, Comisiones,
497
- # IVA, Intereses Cobrados/Pagados, ISR), asi que 'Total de retiros' NO es el
498
- # egreso total. El egreso REAL = saldo_anterior + depositos - saldo_actual
499
- # (identidad del saldo), que coincide con la suma de los movimientos del
500
- # detalle (los intereses/comisiones tambien mueven el saldo).
501
  dep = find(r'Total de dep[oó]sitos' + M, t) or find(r'DEP[OÓ]SITOS' + M, t)
502
  si = find(r'Saldo Anterior' + M, t) or find(r'Saldo Inicial' + M, t)
503
  sf = find(r'Saldo actual' + M, t) or find(r'Saldo Final' + M, t)
@@ -506,11 +469,8 @@ def extraer(path, _todo=False):
506
  else:
507
  ret = find(r'Total de retiros' + M, t)
508
 
509
- # SALDO FINAL por identidad cuando el leido no cuadra. En Santander ENERO los
510
- # glifos duplicados impiden matchear la linea 'Saldo inicial ... Saldo final',
511
- # el respaldo agarra el '$0.00' de la SEGUNDA cuenta (Inversion Creciente) y
512
- # devuelve saldo_final=0.0 con cuadre_interno=23.02. El saldo real (23.02) es
513
- # el que confirman la cadena de saldos y el saldo_inicial de FEBRERO.
514
  if None not in (si, dep, ret) and (sf is None or abs((si + dep - ret) - sf) > 1.0):
515
  sf = round(si + dep - ret, 2)
516
 
 
7
  TOTALES que el propio banco reporta en su resumen: depositos, retiros, saldo
8
  inicial y saldo final. Estos son los numeros reales/oficiales del banco.
9
 
10
+ Entidades soportadas: BBVA, BANAMEX, SANTANDER, BANORTE, MONEX, HSBC,
11
+ MERCADO PAGO, AMEX y JPMORGAN CHASE. La entidad se identifica por el RFC del
12
+ emisor o por la huella del formato, nunca por el nombre: los nombres de otros
13
+ bancos aparecen dentro de las transacciones.
14
 
15
  Uso:
16
  python3 totales_banco.py /ruta/al/estado.pdf
 
32
 
33
 
34
  # ---------------------------------------------------------------------------
35
+ # HSBC genera sus estados con Xenos D2eVision, cuya fuente nombra los glifos
36
+ # '/EX<ddd>000' con <ddd> = codigo Unicode decimal ('EX067000' -> 'C'). Sin
37
+ # traducirlo no se reconoce ningun importe.
 
 
 
38
  _GLIFO_EX = re.compile(r'/EX(\d{3})000')
39
 
40
 
 
159
  if 'JPMORGANCHASEBANK' in _ns:
160
  return 'USD'
161
  n = _sin_acentos(t).upper()
162
+ # Marcas ancladas de cuenta en dolares: la etiqueta del resumen
163
+ # 'FINANCIERA MONEDA DOLARES' y el encabezado 'CASH MANAGEMENT DLLS'.
 
164
  if re.search(r'FINANCIERA\s+MONEDA\s+DOLAR(?:ES)?\b', n):
165
  return 'USD'
166
  if re.search(r'CASH\s+MANAGEMENT\s+DLLS\b', n):
 
185
  _CH_PERIODO = re.compile(
186
  r'(\w+)\s+(\d{1,2}),\s*(\d{4})\s+through\s+(\w+)\s+(\d{1,2}),\s*(\d{4})')
187
 
188
+ # Categorias del bloque 'CHECKING SUMMARY'. Vienen con signo y separadas, con
189
+ # 'Fees' aparte de 'Electronic Withdrawals': hay que sumar TODAS las negativas.
 
 
190
  _CH_CATS = re.compile(
191
  r'^(Deposits and Additions|Electronic Withdrawals|Checks Paid|'
192
  r'ATM & Debit Card Withdrawals|Other Withdrawals|Fees|'
 
255
 
256
 
257
  def detectar_banco(t):
258
+ # 0) AMEX por huella, no por RFC: no imprime el suyo en cada pagina y sus
259
+ # compras citan el del banco ADQUIRENTE del comercio, que sale mas veces.
 
 
 
 
260
  NS = re.sub(r'\s+', '', _sin_acentos(t).upper())
261
  if 'AMERICANEXPRESS' in NS and 'ALCORTE' in NS and 'SALDOANTERIOR' in NS:
262
  return 'AMEX'
263
  if NS.count('AEC810901298') >= 2 and 'AMERICANEXPRESS' in NS:
264
  return 'AMEX'
265
+ # 0b) CHASE antes del conteo de RFC: sus descripciones citan bancos
266
+ # mexicanos ('A/C: Banco Monex, S.A.') y podrian citar un RFC.
 
 
267
  if 'JPMORGANCHASEBANK' in NS or ('CHASE.COM' in NS and 'PRIMARYACCOUNT' in NS):
268
  return 'CHASE'
269
+ # 1) por RFC del EMISOR, el MAS FRECUENTE: el suyo sale en el pie de cada
270
+ # pagina y el de una contraparte 1-2 veces. Se quitan los guiones porque
271
+ # HSBC imprime el suyo como 'HMI-950125KG8'.
 
 
 
272
  U = re.sub(r'[\s\-]+', '', t.upper())
273
  counts = {}
274
  for rfc, banco in RFC_BANCO.items():
 
277
  counts[banco] = counts.get(banco, 0) + c
278
  if counts:
279
  return max(counts, key=counts.get)
280
+ # 2a) MERCADO PAGO no imprime RFC de banco (el que trae es del CLIENTE), asi
281
+ # que se reconoce por su formato: 'ESTADO DE SALDOS Y MOVIMIENTOS' + 'Cust id:'.
 
 
282
  if ('ESTADODESALDOSYMOVIMIENTOS' in NS and 'CUSTID' in NS) or ('MPAGREGADOR' in NS and 'MERCADOPAGO' in NS):
283
  return 'MERCADO PAGO'
284
+ # 2) respaldo por formato cuando no hay RFC en la capa de texto. BANORTE va
285
+ # primero: su resumen tambien trae las etiquetas laxas de Santander/Banamex.
 
 
286
  if re.search(r'Banco\s+Mercantil\s+del\s+Norte', t, re.I) or \
287
  (re.search(r'Total\s+de\s+dep[oó]sitos', t, re.I) and re.search(r'Total\s+de\s+retiros', t, re.I)):
288
  return 'BANORTE'
 
356
 
357
 
358
  def extraer(path, _todo=False):
359
+ # _todo=False lee solo portada y cierre. Si con eso no se identifica el banco
360
+ # o faltan totales, se reintenta con el documento completo.
 
 
361
  t = leer_texto(path, todo=_todo)
362
+ # PDF sin capa de texto: cada letra es un trazo vectorial, tipico de un estado
363
+ # re-impreso a PDF. No hay nada que extraer sin OCR, asi que se corta aqui y la
364
+ # bandera permite apartarlo.
 
 
 
365
  if not t.strip():
366
  return {'banco': 'DESCONOCIDO', 'moneda': 'MXN',
367
  'depositos': None, 'retiros': None, 'saldo_inicial': None,
 
371
  moneda = detectar_moneda(t)
372
 
373
  if banco == 'AMEX':
374
+ # Tarjeta de credito: se reporta como deuda/consumo/pagos, con alias a
375
+ # depositos/retiros/saldos para no romper a quien espera ese esquema.
 
376
  r = _amex_resumen(t)
377
  sa = r.get('saldo_anterior'); pc = r.get('pagos_creditos')
378
  ca = r.get('cargos'); sc = r.get('saldo_corte')
 
424
  dep, ret, si, sf = _chase_resumen(t)
425
 
426
  elif banco == 'MERCADO PAGO':
427
+ # Resumen de la pagina 1. 'Salidas' viene negativo, se toma en absoluto
428
+ # para dejarlo en la convencion del resto de los bancos.
 
429
  dep = find(r'Entradas\s*:' + M, t)
430
  _sal = re.search(r'Salidas\s*:' + _PRE + r'(-?[\d,]+\.\d{2})', t, re.I)
431
  ret = abs(money(_sal.group(1))) if _sal else None
 
433
  sf = find(r'Saldo\s*final\s*:' + M, t)
434
 
435
  elif banco == 'HSBC':
436
+ # 'RESUMEN DE CUENTAS' de la pagina 1. Las etiquetas se parten en varias
437
+ # lineas y las precede un '4' que es un bullet de la fuente de HSBC, no un
438
+ # numero: de ahi el [\s\S]{0,40} en vez de exigir el mismo renglon.
 
 
 
 
 
439
  dep = find(r'Dep[oó]sitos\s*/[\s\S]{0,20}Abonos[\s\S]{0,12}?' + M, t)
440
  ret = find(r'Retiros\s*/\s*Cargos[\s\S]{0,12}?' + M, t)
441
  si = find(r'Saldo\s*Inicial\s*del[\s\S]{0,20}Periodo[\s\S]{0,12}?' + M, t)
 
443
  saldo_promedio = find(r'Saldo\s*Promedio\s*en\s*el\s*Mes[^$\n]{0,70}?' + M, t)
444
 
445
  elif banco == 'MONEX':
446
+ # Resumen de la pagina 2. Se exigen los DOS PUNTOS de la etiqueta porque en
447
+ # la misma pagina hay una tabla 'Resumen Divisas' con los totales de la
448
+ # subcuenta en dolares, y el encabezado de movimientos repite 'Saldo total'
449
+ # sin dos puntos. Solo el resumen usa ':'.
 
 
 
 
 
450
  dep = find(r'Total\s*abonos\s*:' + M, t)
451
  ret = find(r'Total\s*cargos\s*:' + M, t)
452
  si = find(r'Saldo\s*inicial\s*:' + M, t)
453
  sf = find(r'Saldo\s*total\s*:' + M, t) or find(r'Saldo\s*vista\s*:' + M, t)
454
  saldo_promedio = find(r'Saldo\s*promedio\s*\(\s*Intereses\s*\)\s*:' + M, t)
455
+ # Con subcuenta en dolares hay un segundo bloque 'Resumen cuenta / dolar
456
+ # americano' con las mismas etiquetas. find() toma la PRIMERA ocurrencia,
457
+ # que es la de pesos; cuadre_interno en 0.00 confirma que los cuatro
458
+ # totales salieron del mismo bloque.
 
459
 
460
  elif banco == 'BANORTE':
461
+ # Banorte separa las salidas (retiros, comisiones, IVA, intereses, ISR), asi
462
+ # que 'Total de retiros' no es el egreso total. El real se saca por
463
+ # identidad: saldo_anterior + depositos - saldo_actual.
 
 
464
  dep = find(r'Total de dep[oó]sitos' + M, t) or find(r'DEP[OÓ]SITOS' + M, t)
465
  si = find(r'Saldo Anterior' + M, t) or find(r'Saldo Inicial' + M, t)
466
  sf = find(r'Saldo actual' + M, t) or find(r'Saldo Final' + M, t)
 
469
  else:
470
  ret = find(r'Total de retiros' + M, t)
471
 
472
+ # Saldo final por identidad cuando el leido no cuadra: en un estado con varias
473
+ # cuentas el respaldo puede tomar el saldo de la cuenta equivocada.
 
 
 
474
  if None not in (si, dep, ret) and (sf is None or abs((si + dep - ret) - sf) > 1.0):
475
  sf = round(si + dep - ret, 2)
476