Acerca del analizador de extractos bancarios

TL;DR: Bank Statement Parser es una biblioteca Python de código abierto que analiza siete formatos de extractos bancarios (CAMT.053, PAIN.001, CSV, OFX, QFX, MT940 y PDF) en pandas DataFrames. Pipeline híbrido para PDF con verificación de saldo, REST API, enriquecimiento, exportación contable, más de 27K tx/s de rendimiento.

Bank Statement Parser es una biblioteca Python de código abierto que analiza extractos bancarios en siete formatos y los convierte en pandas DataFrames estructurados. El núcleo determinista procesa formatos estructurados de forma local sin llamadas de red. El pipeline híbrido opcional para PDF recurre a LLMs locales (vía Ollama) para extractos digitales y escaneados.

¿Para quién es esto?

• Equipos de tesorería que migran de MT940 a CAMT.053 y necesitan un analizador que maneje formatos antiguos y nuevos durante la transición, además de extractos PDF de bancos que no ofrecen exportaciones estructuradas.
• Desarrolladores fintech que crean pipelines de conciliación, informes o contabilidad y desean una única dependencia con verificación de saldo, categorización y exportación contable integradas.
• Equipos de cumplimiento que necesitan redacción de PII por defecto, salida determinista y verificación de la Regla de Oro que detecte discrepancias antes de llegar al libro mayor.
• Usuarios de contabilidad en texto plano que desean ingesta automatizada desde extractos bancarios en PDF directamente a diarios hledger o beancount.
• Cualquier persona que se niegue a enviar datos financieros sensibles a un SaaS de terceros cuando una herramienta local de código abierto puede hacer el trabajo.

Formatos admitidos

Todos los formatos producen pandas DataFrames normalizados con nombres de columna consistentes, lo que hace que el procesamiento posterior sea independiente del formato.

Capacidades clave

• Pipeline híbrido para PDF: smart_ingest() enruta los PDF por tres rutas — extracción determinista de tablas, texto-LLM o visión-LLM — con verificación automática de saldo mediante la Regla de Oro.
• Detección automática de formato: detect_statement_format() identifica el formato; create_parser() instancia el analizador correcto.
• Verificación de saldo: Comprobación de la Regla de Oro (opening + credits − debits == closing) con estado VERIFIED/DISCREPANCY/FAILED.
• Verificación multidivisa: verify_balance_multi_currency() agrupa transacciones por divisa para verificación independiente.
• REST API: Microservicio FastAPI con endpoints /ingest y /health para despliegues en producción.
• Enriquecimiento: Categorización de transacciones con LLM y esquemas configurables (13 categorías Plaid por defecto).
• Revisión interactiva: Revise discrepancias con acciones aceptar/editar/omitir/eliminar mediante --type review.
• Exportación contable: to_hledger() y to_beancount() para flujos de contabilidad en texto plano.
• Escaneo masivo: scan_and_ingest() procesa árboles de carpetas con deduplicación automática entre archivos.
• Mapeo de cuentas: Reglas de mapeo de cuentas basadas en regex desde configuración JSON para exportación contable.
• Análisis en streaming: Procese archivos grandes (50 MB+, 50K+ transacciones) con memoria acotada usando parse_streaming().
• Procesamiento paralelo: Analice varios archivos de forma concurrente con parse_files_parallel() usando ProcessPoolExecutor.
• Deduplicación: transaction_hash idempotente (huella MD5) para ingesta incremental segura.
• Análisis en memoria: from_string() y from_bytes() para flujos de trabajo SFTP y API sin E/S de disco.
• Procesamiento ZIP seguro: iter_secure_xml_entries() con límites de ratio de compresión, límites de tamaño de entrada y rechazo de entradas cifradas.
• Exportación: CSV, JSON, Excel (.xlsx), Polars DataFrames, diarios hledger y beancount.

Seguridad y privacidad

• Redacción de PII: Nombres, IBANs y direcciones se enmascaran por defecto en la salida CLI. Active con --show-pii.
• Protección XXE: El análisis XML usa resolve_entities=False, no_network=True, load_dtd=False.
• Protección contra ZIP Bomb: Límites de ratio de compresión (100:1 por defecto), límites de tamaño de entrada (10 MB), rechazo de entradas cifradas.
• Prevención de cruce de rutas: Lista de bloqueo de patrones peligrosos y resolución de enlaces simbólicos.
• Seguridad de la cadena de suministro: Dependencias con bloqueo hash SHA-256, CycloneDX SBOM, certificación de procedencia de compilación.
• Solo LLMs locales: El pipeline híbrido para PDF usa Ollama para inferencia local — ningún dato se envía a APIs en la nube.

Rendimiento

Métrica	Valor
Rendimiento CAMT.053	27.000+ tx/s
Rendimiento PAIN.001	52.000+ tx/s
Latencia por transacción (CAMT)	37 microsegundos
Latencia por transacción (PAIN.001)	19 microsegundos
Tiempo hasta el primer resultado	< 2 ms
Escalado de memoria (1K-50K tx)	Constante (streaming)
Cobertura de pruebas	100% cobertura de ramas
Pruebas	718 en 29 archivos de prueba

Empiece a construir

Comience con la instalación y ejemplos ❯

"Repositorio GitHub"