Despre analizatorul extras de cont

TL;DR: Bank Statement Parser este o bibliotecă Python open-source care analizează șapte formate de extras de cont (CAMT.053, PAIN.001, CSV, OFX, QFX, MT940 și PDF) în pandas DataFrames. Pipeline hibrid pentru PDF cu verificarea soldului, REST API, îmbogățire, export registru, debit de 27K+ tx/s.

Bank Statement Parser este o bibliotecă Python open-source care analizează extrase bancare din șapte formate în DataFrames pandas structurate. Nucleul deterministic procesează formatele structurate local, fără apeluri de rețea. Pipeline-ul hibrid opțional pentru PDF rutează prin LLM-uri locale (prin Ollama) pentru extrasele digitale și scanate.

Pentru cine este?

• Echipe de trezorerie care migrează de la MT940 la CAMT.053 și au nevoie de un parser care gestionează atât formatele vechi, cât și cele noi în timpul tranziției, plus extrase PDF de la bănci care nu oferă exporturi structurate.
• Dezvoltatori fintech care construiesc pipeline-uri de reconciliere, raportare sau contabilitate și doresc o singură dependență cu verificare încorporată a soldului, categorizare și export registru.
• Echipe de conformitate care au nevoie de redactare PII implicită, ieșire deterministă și verificare prin Regula de Aur care semnalează discrepanțele înainte de a ajunge în registru.
• Utilizatori de contabilitate în text simplu care doresc ingestie automată din extrase PDF bancare direct în jurnale hledger sau beancount.
• Oricine refuză să trimită date financiare sensibile către un SaaS terț atunci când un instrument local, open-source poate face treaba.

Formate suportate

Toate formatele produc DataFrames pandas normalizate cu nume de coloane consistente, făcând procesarea ulterioară independentă de format.

Funcționalități principale

• Pipeline hibrid PDF: smart_ingest() rutează PDF-urile prin trei căi — extracție deterministă de tabele, text-LLM sau vision-LLM — cu verificare automată a soldului prin Regula de Aur.
• Detectare automată a formatului: detect_statement_format() identifică formatul; create_parser() instanțiază parserul corect.
• Verificarea soldului: Verificare prin Regula de Aur (opening + credits − debits == closing) cu status VERIFIED/DISCREPANCY/FAILED.
• Verificare multi-valută: verify_balance_multi_currency() grupează tranzacțiile pe valută pentru verificare independentă.
• REST API: Microserviciu FastAPI cu endpoint-urile /ingest și /health pentru implementări în producție.
• Îmbogățire: Categorizare a tranzacțiilor prin LLM cu scheme conectabile (Plaid cu 13 categorii implicit).
• Revizuire interactivă: Parcurgeți discrepanțele cu acțiuni accept/edit/skip/delete prin --type review.
• Export registru: to_hledger() și to_beancount() pentru fluxuri de contabilitate în text simplu.
• Scanare în masă: scan_and_ingest() procesează arbori de foldere cu deduplicare automată între fișiere.
• Mapare conturi: Reguli de mapare a conturilor bazate pe regex din configurație JSON pentru export registru.
• Parsare streaming: Procesați fișiere mari (50 MB+, 50K+ tranzacții) cu memorie limitată folosind parse_streaming().
• Procesare paralelă: Analizați mai multe fișiere simultan cu parse_files_parallel() folosind ProcessPoolExecutor.
• Deduplicare: transaction_hash idempotent (amprentă MD5) pentru ingestie incrementală sigură.
• Parsare în memorie: from_string() și from_bytes() pentru fluxuri SFTP și API fără I/O pe disc.
• Procesare ZIP securizată: iter_secure_xml_entries() cu limite ale raportului de compresie, limite de dimensiune pe intrare și respingere a intrărilor criptate.
• Export: CSV, JSON, Excel (.xlsx), DataFrames Polars, jurnale hledger și beancount.

Securitate și confidențialitate

• Redactare PII: Numele, IBAN-urile și adresele sunt mascate implicit în ieșirea CLI. Activați cu --show-pii.
• Protecție XXE: Parsarea XML folosește resolve_entities=False, no_network=True, load_dtd=False.
• Protecție ZIP Bomb: Limite ale raportului de compresie (100:1 implicit), limite de dimensiune pe intrare (10 MB), respingere a intrărilor criptate.
• Prevenirea traversării căilor: Listă de blocare a tiparelor periculoase și rezolvare a legăturilor simbolice.
• Securitatea lanțului de aprovizionare: Dependențe blocate cu hash SHA-256, CycloneDX SBOM, atestare de proveniență a build-ului.
• Doar LLM-uri locale: Pipeline-ul hibrid pentru PDF folosește Ollama pentru inferență locală — nicio dată nu este trimisă către API-uri cloud.

Performanță

Metrică	Valoare
Debit CAMT.053	27.000+ tx/s
Debit PAIN.001	52.000+ tx/s
Latență per tranzacție (CAMT)	37 microsecunde
Latență per tranzacție (PAIN.001)	19 microsecunde
Timp până la primul rezultat	< 2 ms
Scalare memorie (1K-50K tx)	Constantă (streaming)
Acoperire teste	100% acoperire ramuri
Teste	718 în 29 fișiere de test

Începeți să construiți

[Începeți cu instalarea și exemplele ❯][01]

[01]: /getting-started/index.html “Primii pași” “Depozit GitHub”