Upload 3 files
Browse files- extraer_movimientos.py +93 -159
- fill_template.py +121 -168
- 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
|
| 86 |
-
#
|
| 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 |
-
#
|
| 204 |
-
#
|
| 205 |
-
#
|
| 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 |
-
#
|
| 238 |
-
#
|
| 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:
|
| 254 |
-
#
|
| 255 |
-
#
|
| 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
|
| 372 |
-
#
|
| 373 |
-
#
|
| 374 |
-
#
|
| 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 |
-
#
|
| 434 |
-
#
|
| 435 |
-
#
|
| 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
|
| 464 |
-
# (ultimos BBVA_PIE pt):
|
| 465 |
-
#
|
| 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
|
| 487 |
-
#
|
| 488 |
-
#
|
| 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
|
| 498 |
-
#
|
| 499 |
-
#
|
| 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 |
-
#
|
| 530 |
-
#
|
| 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
|
| 543 |
-
#
|
| 544 |
-
#
|
| 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 |
-
#
|
| 611 |
-
#
|
| 612 |
-
#
|
| 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 |
-
#
|
| 699 |
-
#
|
| 700 |
-
#
|
| 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
|
| 707 |
-
# encabezado
|
| 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
|
| 838 |
-
#
|
| 839 |
-
#
|
| 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
|
| 894 |
-
#
|
| 895 |
-
# de un bloque el interlineado
|
| 896 |
-
#
|
| 897 |
-
#
|
| 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
|
| 931 |
-
#
|
| 932 |
-
#
|
| 933 |
-
#
|
| 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
|
| 960 |
-
# CHEQUES'
|
| 961 |
-
# "Informacion SPEI's
|
| 962 |
-
#
|
| 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
|
| 968 |
-
#
|
| 969 |
-
#
|
| 970 |
-
#
|
| 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 |
-
#
|
| 975 |
-
#
|
| 976 |
-
#
|
| 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
|
| 985 |
-
# movimientos
|
| 986 |
-
#
|
| 987 |
-
#
|
| 988 |
-
#
|
| 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
|
| 1153 |
-
#
|
| 1154 |
-
#
|
| 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
|
| 1159 |
-
#
|
| 1160 |
-
#
|
| 1161 |
-
# banda de Saldo (403), y 'Entradas: $ 630,397.11' en x1=273.
|
| 1162 |
_MP_TOL = 12.0
|
| 1163 |
-
# Columna de descripcion:
|
| 1164 |
-
#
|
| 1165 |
-
#
|
| 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 |
-
#
|
| 1251 |
-
#
|
| 1252 |
-
#
|
| 1253 |
-
#
|
| 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 |
-
#
|
| 1317 |
-
#
|
| 1318 |
-
#
|
| 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 |
-
#
|
| 1420 |
-
# de cabecera un par de movimientos que si movieron el saldo
|
| 1421 |
-
#
|
| 1422 |
-
#
|
| 1423 |
-
#
|
| 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 |
-
#
|
| 1428 |
-
#
|
| 1429 |
-
#
|
| 1430 |
-
#
|
| 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
|
| 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
|
| 22 |
-
#
|
| 23 |
-
#
|
| 24 |
-
# usan para el movimiento mismo
|
| 25 |
-
#
|
| 26 |
-
#
|
| 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
|
| 48 |
-
#
|
| 49 |
-
#
|
| 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 |
-
#
|
| 249 |
-
#
|
| 250 |
-
# 'SIN IDENTIFICAR' porque EFECTIVO
|
| 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 |
-
#
|
| 263 |
-
#
|
| 264 |
-
#
|
| 265 |
-
#
|
| 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
|
| 276 |
-
#
|
| 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
|
| 282 |
-
#
|
| 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 |
-
#
|
| 288 |
-
#
|
| 289 |
-
# fue el movimiento
|
| 290 |
-
# movimientos de SANTANDER bajo un mismo nombre.
|
| 291 |
|
| 292 |
|
| 293 |
-
#
|
| 294 |
-
#
|
| 295 |
-
#
|
| 296 |
-
#
|
| 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
|
| 368 |
-
#
|
| 369 |
-
# sustancia: una corrida formada SOLO por estas no es un nombre.
|
| 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
|
| 390 |
-
#
|
| 391 |
-
#
|
| 392 |
-
#
|
| 393 |
-
#
|
| 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
|
| 551 |
-
#
|
| 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
|
| 625 |
-
#
|
| 626 |
-
#
|
| 627 |
-
#
|
| 628 |
-
#
|
| 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
|
| 727 |
-
#
|
| 728 |
-
#
|
| 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 |
-
#
|
| 736 |
-
#
|
| 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 |
-
#
|
| 752 |
-
#
|
| 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|$)', raw)
|
| 756 |
if m:
|
| 757 |
cand = _primer_nombre(m.group(1)) if _nombre_valido(m.group(1)) else ''
|
|
@@ -766,9 +743,8 @@ def extraer_nombre(concepto, tipo=''):
|
|
| 766 |
return 'CUENTA ' + m.group(1)
|
| 767 |
|
| 768 |
# 3b) BANAMEX domiciliacion: 'CGO DOMICILIACION:<nombre> LEYENDA: ...'. El
|
| 769 |
-
# nombre de quien cobra va en ESE campo;
|
| 770 |
-
#
|
| 771 |
-
# 'SERV EMISOR' para domiciliaciones de cobradores completamente distintos.
|
| 772 |
m = re.search(r'DOMICILIACION\s*:\s*(.+?)(?:LEYENDA|REF\s+SERV|CVE\s+DE|\bREF\b|$)',
|
| 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
|
| 797 |
-
#
|
| 798 |
-
#
|
| 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 |
-
#
|
| 835 |
-
#
|
| 836 |
-
#
|
| 837 |
duro = _rfc_de(raw) or _cuenta_de(raw)
|
| 838 |
if duro:
|
| 839 |
return duro
|
| 840 |
-
#
|
| 841 |
-
#
|
| 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 |
-
#
|
| 853 |
-
#
|
| 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
|
| 889 |
-
# Cada movimiento
|
| 890 |
-
#
|
| 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
|
| 924 |
-
#
|
| 925 |
-
#
|
| 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 |
-
#
|
| 934 |
-
#
|
| 935 |
-
#
|
| 936 |
-
#
|
| 937 |
-
#
|
| 938 |
-
#
|
| 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
|
| 974 |
-
# El banco reporta el saldo por CORTE (
|
| 975 |
-
# calendario
|
| 976 |
-
#
|
| 977 |
-
#
|
| 978 |
-
#
|
| 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
|
| 1038 |
-
#
|
| 1039 |
-
#
|
| 1040 |
-
#
|
| 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 |
-
#
|
| 1061 |
-
#
|
| 1062 |
-
#
|
| 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 |
-
#
|
| 1108 |
-
#
|
| 1109 |
-
#
|
| 1110 |
-
#
|
| 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 |
-
#
|
| 1127 |
-
#
|
| 1128 |
-
#
|
| 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 |
-
# ----
|
| 1171 |
-
# Escribe los totales
|
| 1172 |
-
#
|
| 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
|
| 1207 |
-
# 08_EC_Raw, pero 03_EstadosCuenta
|
| 1208 |
-
#
|
| 1209 |
-
#
|
| 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, {'"': '"', ''': "'"})
|
| 1339 |
|
| 1340 |
|
| 1341 |
-
# Columnas de 07_EC_Raw en la plantilla de microempresa.
|
| 1342 |
-
# Deposito(F)
|
| 1343 |
-
#
|
| 1344 |
-
#
|
| 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 |
-
#
|
| 1520 |
-
# mes con '"<=" & EDATE(C$7,1)', o sea
|
| 1521 |
-
# que
|
| 1522 |
-
# al lado
|
| 1523 |
-
#
|
| 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('"<=" & EDATE(')
|
| 1527 |
ec = ec.replace('"<=" & EDATE(', '"<" & EDATE(')
|
| 1528 |
# los SUMIFS/COUNTIFS escanean 07_EC_Raw hasta $2167: se amplia si hay mas filas
|
|
@@ -1600,12 +1555,11 @@ def fill_microempresa(template_path, output_path, data):
|
|
| 1600 |
|
| 1601 |
|
| 1602 |
# ---- Maqueta V4 (EXPEDIENTE_FINANCIERO_V4.0.2) -------------------------------
|
| 1603 |
-
# 12 hojas. El
|
| 1604 |
-
#
|
| 1605 |
-
#
|
| 1606 |
-
# 08_EC_Raw
|
| 1607 |
-
#
|
| 1608 |
-
# la maqueta lee ceros.
|
| 1609 |
V4_RAW = '08_EC_Raw'
|
| 1610 |
V4_EC = '03_EstadosCuenta'
|
| 1611 |
V4_AUX = '10_AUX_Fechas'
|
|
@@ -1619,8 +1573,8 @@ V4_F = {
|
|
| 1619 |
V4_ROW_SALDO_INI = 29 # D29 = saldo inicial (ancla; E29..I29 son =D38, =E38...)
|
| 1620 |
V4_ROW_SALDO_PROM = 39 # D39:I39 = saldo promedio del mes (vacias en la plantilla)
|
| 1621 |
V4_COLS = ['D', 'E', 'F', 'G', 'H', 'I']
|
| 1622 |
-
# Columna
|
| 1623 |
-
# banco. F/G/H ya vienen convertidos a MXN
|
| 1624 |
V4_COL_ORIG = 'N'
|
| 1625 |
V4_COL_ORIG_TIT = 'Monto Original'
|
| 1626 |
# El desglose por persona son arrays dinamicos: ingresos filas 43..266 (224) y
|
|
@@ -1810,11 +1764,10 @@ def fill_v4(template_path, output_path, data):
|
|
| 1810 |
col: build_cell(celda, s=get_style(ec, celda))})
|
| 1811 |
contenido[hojas[V4_EC]] = ec.encode('utf-8')
|
| 1812 |
|
| 1813 |
-
# ---- 6) 10_AUX_Fechas: fijar el
|
| 1814 |
-
# C14 trae '=$D$8', que resuelve el mes con un desplegable
|
| 1815 |
-
#
|
| 1816 |
-
#
|
| 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, {'"': '"', ''': "'"})
|
| 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('"<=" & EDATE(')
|
| 1482 |
ec = ec.replace('"<=" & EDATE(', '"<" & 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 |
-
|
| 11 |
-
|
|
|
|
|
|
|
| 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
|
| 34 |
-
#
|
| 35 |
-
#
|
| 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 |
-
#
|
| 164 |
-
#
|
| 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'.
|
| 191 |
-
#
|
| 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
|
| 263 |
-
#
|
| 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)
|
| 274 |
-
#
|
| 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
|
| 280 |
-
#
|
| 281 |
-
#
|
| 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
|
| 294 |
-
#
|
| 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)
|
| 300 |
-
#
|
| 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
|
| 377 |
-
#
|
| 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
|
| 382 |
-
#
|
| 383 |
-
#
|
| 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 |
-
#
|
| 397 |
-
#
|
| 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
|
| 451 |
-
#
|
| 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 |
-
#
|
| 461 |
-
#
|
| 462 |
-
#
|
| 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 |
-
#
|
| 476 |
-
#
|
| 477 |
-
#
|
| 478 |
-
#
|
| 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 |
-
#
|
| 490 |
-
#
|
| 491 |
-
#
|
| 492 |
-
#
|
| 493 |
-
# que los cuatro totales salieron del MISMO bloque.
|
| 494 |
|
| 495 |
elif banco == 'BANORTE':
|
| 496 |
-
# Banorte
|
| 497 |
-
#
|
| 498 |
-
#
|
| 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 |
-
#
|
| 510 |
-
#
|
| 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 |
|