FAQ

Datasekretess och efterlevnad

Lämnar någon data min infrastruktur?

Nej — inte ens för PDF-extraktion. Bank Statement Parser fungerar som ett statslöst bibliotek. All bearbetning — tolkning, PII-redaktion, arkivextraktion — sker i ditt lokala körtidsminne. Hybrid-PDF-pipelinen använder Ollama för lokal LLM-inferens — inga moln-API:er. XML-tolkare är härdade med no_network=True, vilket blockerar all utgående åtkomst på parsernivå. Dina finansiella data lämnar aldrig din miljö.

Hur fungerar PII-redaktion?

Känsliga fält maskeras innan de når din applikationslogik. Parsern identifierar gäldenärsnamn, borgenärsnamn, IBAN och postadresser och ersätter dem med ***REDACTED*** i konsolutdata och streamingläge.

• Redaktion är på som standard i CLI-utdata och streamingläge.
• Filexport (CSV, JSON, Excel) behåller oredakterade data för nedströmsbearbetning.
• Aktivera full data med --show-pii i CLI eller redact_pii=False i API:t.

Är extraktionsprocessen deterministisk?

Ja för strukturerade format — byte-identisk utdata vid varje körning. Givet samma indatafil producerar de deterministiska parsrarna (CAMT, PAIN.001, CSV, OFX, QFX, MT940) samma resultat varje gång. Ingen slumpmässighet, ingen modellinferens, ingen heuristisk sampling.

För hybrid-PDF-pipelinen kan LLM-baserade extraktionsvägar ge mindre variationer mellan körningar. Därför verifieras varje PDF-extraktion med Golden Rule (opening + credits − debits == closing) och flaggade avvikelser kan granskas interaktivt.

CI upprätthåller determinism med 718 tester vid 100 % grenstäckning, inklusive egenskapsbaserad fuzzing via Hypothesis.

Vilka efterlevnadsstandarder följer projektet?

Projektet upprätthåller ISO 13485-anpassad dokumentation med full spårbarhet:

• Ett kvantifierat Riskregister med allvarlighets-/sannolikhetspoäng och kvarstående riskbedömning.
• En Verifierings- och valideringsplan med 19 gated steg över 5 faser.
• En Procedur för förändringskontroll med konsekvensbedömning och återställningsprotokoll.
• Ett SOUP-register som täcker alla beroenden med risknivåer och EOL-spårning.
• En Spårbarhetsmatris som kartlägger designindata till implementering och verifiering.

Varje utgåva inkluderar en CycloneDX SBOM, SHA-256-kontrollsummor och GitHub-byggt härkomstintyg.

Prestanda och skalbarhet

Hur snabb är Bank Statement Parser?

Prestandatrösklar valideras i CI vid varje commit:

PDF-extraktionshastighet beror på dirigeringsvägen: deterministisk (under en sekund), text-LLM (sekunder), vision-LLM (sekunder per sida).

Hur hanteras stora filer?

Streaming med begränsat minne — testat vid 50 000 transaktioner per fil. Använd parse_streaming() för att bearbeta XML-filer stegvis. Varje transaktion returneras som en dictionary; element rensas efter bearbetning för att förhindra minnestillväxt. Minnet skalas inte med filstorleken — 50K-transaktionstestet (25+ MB) använder mindre än 2x minnet jämfört med 10K-transaktionstestet.

För filer som överstiger 50 MB (t.ex. värd-till-värd PAIN.001-batcher med 100K+ betalningar) strömmar parsern genom en temporär fil med chunk-baserad namnrymdstrippning — hela dokumentet laddas aldrig in i minnet.

Hur behandlas ZIP-arkiv säkert?

iter_secure_xml_entries() validerar varje medlem innan extrahering:

• Storlekstak per post (standard 10 MB per post)
• Totalt okomprimerat storlekstak (standard 50 MB)
• Kompressionsförhållandegräns (standard 100:1) för att förhindra ZIP-bomber
• Avvisning av krypterade poster

Ingen fil skrivs till disk. XML-bytes skickas direkt till parsern via from_bytes().

Kan jag tolka flera filer parallellt?

Ja. Använd parse_files_parallel() som fördelar arbete över en ProcessPoolExecutor:

from bankstatementparser import parse_files_parallel

results = parse_files_parallel([
    "statements/jan.xml",
    "statements/feb.xml",
    "statements/mar.xml",
])
for r in results:
    print(r.path, r.status, len(r.transactions), "rows")

För mass-PDF-inmatning, använd scan_and_ingest() som bearbetar hela mappträd med automatisk deduplicering.

Format som stöds

Vilka kontoutdragsformat stöds?

Format	Standard	Filtyper	Parser/metod
CAMT.053	ISO 20022 Bank-to-Customer Statement	.xml	CamtParser
PAIN.001	ISO 20022 Credit Transfer Initiation	.xml	Pain001Parser
CSV	Generisk bankexport	.csv	CsvStatementParser
OFX	Open Financial Exchange	.ofx	OfxParser
QFX	Quicken Financial Exchange	.qfx	QfxParser
MT940	SWIFT standard	.mt940, .sta	Mt940Parser
PDF	Digitala och skannade utdrag	.pdf	smart_ingest()

Hur fungerar hybrid-PDF-pipelinen?

Hybrid-pipelinen (v0.0.5+) dirigerar PDF:er intelligent genom tre extraktionsvägar:

• Väg A (Deterministisk): Strukturerade PDF-tabeller tolkas direkt — gratis, snabbast, ingen LLM behövs.
• Väg B (Text-LLM): Digitala PDF:er med komplexa layouter extraheras via lokal LLM (LiteLLM/Ollama).
• Väg C (Vision-LLM): Skannade eller fotokopierade utdrag bearbetas med multimodala vision-modeller.

Varje extraktion verifieras med Golden Rule (opening + credits − debits == closing). Avvikelser kan granskas interaktivt med --type review.

Hanterar parsern bankspecifika dialekter av CAMT.053?

Ja — namnrymdsagnostisk av design. Parsern tar bort XML-namnrymder innan bearbetning och hanterar alla CAMT.053-varianter (camt.053.001.02, camt.053.001.04 eller proprietära bankomslag) utan namnrymdsspecifik konfiguration. XPath-frågor riktar sig mot elementstruktur, inte namnrymds-URI:er.

För banker som slår in CAMT i ett anpassat kuvert, använd from_string() eller from_bytes() för att mata det inre dokumentet direkt.

Kan jag mappa anpassade CSV-kolumnrubriker till standardschemat?

Ja — automatisk normalisering, noll konfiguration. CsvStatementParser känner igen vanliga rubrikvarianter: "Date", "Transaction Date", "Booking Date" mappas alla till date-fältet. "Amount", "Value", "Sum" mappas till amount. Uppdelade kredit-/debetkolumner (t.ex. "Credit" och "Debit") upptäcks och kombineras automatiskt till ett enda signerat belopp.

Vad är utdataformatet?

Alla parsers producerar standardiserade pandas DataFrames med konsekventa kolumntyper:

Format	Nyckelkolumner
CAMT	Amount, Currency, DrCr, Debtor, Creditor, Reference, ValDt, BookgDt, AccountId
PAIN.001	PmtInfId, PmtMtd, InstdAmt, Currency, CdtrNm, EndToEndId, MsgId, CreDtTm, NbOfTxs
CSV/OFX/QFX/MT940	date, description, amount (normaliserad)

Du kan också exportera till CSV, JSON, Excel, Polars DataFrames, hledger eller beancount-journalformat.

PDF- och LLM-funktioner

Vilka LLM-modeller stöder hybrid-pipelinen?

Pipelinen använder LiteLLM som modellabstraktionslager, med en direkt Ollama-brygga för vision-prompts. Rekommenderade modeller:

• Textextraktion: Alla LiteLLM-kompatibla modeller (lokala eller fjärr).
• Vision-extraktion: ollama/minicpm-v (rekommenderad) för skannade PDF:er.
• Kategorisering: Alla LiteLLM-kompatibla modeller.

Alla modeller kan köras 100 % lokalt via Ollama — inga API-nycklar krävs.

Vad är Golden Rule-verifiering?

Varje PDF-extraktion verifieras med ekvationen: opening balance + credits − debits == closing balance. Resultat taggas som:

• VERIFIED: Saldon stämmer exakt.
• DISCREPANCY: Saldon stämmer inte — granskning rekommenderas.
• FAILED: Verifiering kunde inte utföras (saknade saldodata).

Kan jag kategorisera transaktioner automatiskt?

Ja. Berikningsmodulen (v0.0.6+) erbjuder LLM-driven transaktionskategorisering:

from bankstatementparser.enrichment import Categorizer

categorizer = Categorizer()
enriched = categorizer.categorize_batch(transactions)

Standardschemat använder 13 Plaid-kompatibla kategorier. Du kan tillhandahålla ett eget kategorischema.

Kan jag exportera till hledger eller beancount?

Ja (v0.0.8+). Exportera transaktioner till plaintext-accounting-journalformat med kontomappning:

from bankstatementparser.export import to_hledger, to_beancount

journal = to_hledger(transactions, account="Assets:Bank:Checking")

Treasury-arbetsflöden

Hur hanterar parsern utdrag i flera valutor?

Varje transaktion behåller sin ursprungliga valuta — ingen implicit konvertering. Currency-fältet extraheras från XML-attributet Ccy per transaktion. Utdrag i flera valutor förblir som de är. Metoden get_account_balances() returnerar ingående och utgående saldon per konto med ursprungliga valutakoder.

Sedan v0.0.8 grupperar verify_balance_multi_currency() transaktioner per valuta och kör Golden Rule oberoende per grupp — användbart för konton som innehåller flera valutor.

Stöder parsern både utgående och inkommande format?

Ja. Pain001Parser hanterar ISO 20022 PAIN.001-filer för kreditöverföringar (utgående betalningar). CamtParser hanterar CAMT.053 bank-till-kund-utdragsfiler (inkommande rapportering). Båda stöder streaming, PII-redaktion och export till CSV, JSON, Excel, hledger och beancount. Använd detect_statement_format() för att identifiera formatet automatiskt.

Vad händer när en transaktionspost är felaktig?

Beteendet beror på tolkningsläget:

• parse() (batchläge) — Felaktiga poster som saknar obligatoriska fält (Amount, Currency eller CdtDbtInd) hoppas över med en varningslogg. Resten av utdraget tolkas normalt.
• parse_streaming() (streamingläge) — Tolkningsfel sprids omedelbart som undantag. Ingen tyst dataförlust. Detta fail-fast-beteende är avsiktligt för finansiella arbetsflöden där varje transaktion måste redovisas.
• smart_ingest() (hybrid-PDF) — Extraktionsfel fångas i IngestResult med verifieringsstatus, vilket möjliggör interaktiv granskning.

Hur fungerar deduplicering?

Varje transaktion tilldelas en idempotent transaction_hash (MD5-fingeravtryck) baserat på dess nyckelfält. Detta möjliggör säker inkrementell inmatning — att bearbeta samma fil igen ger samma hashar, så dubbletter upptäcks automatiskt.

from bankstatementparser import CamtParser, Deduplicator

parser = CamtParser("statement.xml")
dedup = Deduplicator()
result = dedup.deduplicate(dedup.from_dataframe(parser.parse()))

print(f"Unique: {len(result.unique_transactions)}")
print(f"Exact duplicates: {len(result.exact_duplicates)}")
print(f"Suspected matches: {len(result.suspected_matches)}")

Installation och kompatibilitet

Hur installerar jag Bank Statement Parser?

# Core install (deterministic parsers only)
pip install bankstatementparser

# PDF hybrid pipeline
pip install 'bankstatementparser[hybrid]'         # Text-LLM path
pip install 'bankstatementparser[hybrid-vision]'   # Vision-LLM path

# Extras
pip install 'bankstatementparser[enrichment]'      # Transaction categorisation
pip install 'bankstatementparser[api]'             # REST API microservice
pip install 'bankstatementparser[polars]'          # Polars DataFrame support

Vilka Python-versioner stöds?

Python 3.10 till 3.14. Stöd för Python 3.9 togs bort i v0.0.6 (EOL 2025-10-31). Alla versioner testas i CI med 718 tester vid 100 % grenstäckning.

Vilka är beroendena?

Kärnbiblioteket har 5 direkta beroenden:

• lxml — XML-tolkning med säkerhetshärdning
• pandas — DataFrames och datamanipulation
• openpyxl — Excel-export
• pydantic — Datavalidering och modeller
• defusedxml — XXE-skydd

Valfria tillägg lägger till: litellm, pypdf, pdfplumber, pypdfium2, fastapi, uvicorn, polars.

Alla beroenden har SHA-256 hash-låsta versioner. CycloneDX SBOM mappar varje runtime-komponent.

Fungerar det på macOS, Linux och Windows?

Ja. Biblioteket fungerar på macOS, Linux och Windows (via WSL). Det har inga plattformsspecifika beroenden.

Finns det ett REST API?

Ja (v0.0.8+). Installera med pip install 'bankstatementparser[api]' och kör:

bankstatementparser-api --port 8000

Ändpunkter: POST /ingest (tolka ett utdrag) och GET /health (hälsokontroll).

Reproducerbarhet och säkerhet

Hur kan jag verifiera reproducerbarhet?

python -m pytest                              # 718 tests, 100% branch coverage
python scripts/verify_locked_hashes.py        # SHA-256 hash verification
git log --show-signature -1                   # Verify commit signature

Vilka säkerhetsskydd är inbyggda?

• XXE-skydd: resolve_entities=False, no_network=True, load_dtd=False
• ZIP-bombskydd: Kompressionsförhållandegränser, storlekstak per post, avvisning av krypterade poster
• Vägtraverseringsskydd: Spärrlista för farliga mönster och symlinkupplösning
• Indatavalidering: Filstorleksgränser (100 MB standard), tilläggs-/formatvalidering
• Supply chain: SHA-256 hash-låsta beroenden, CycloneDX SBOM, härkomstintyg för byggen
• Signerade commits: Tillämpas i CI
• Lokala LLM:er: Hybrid-PDF-pipelinen använder Ollama — inga moln-API-anrop

Hur jämför Bank Statement Parser med pyiso20022?

pyiso20022 är en bred ISO 20022-verktygslåda som genererar Python-dataklasser från ISO XML-scheman. Den täcker ett brett utbud av ISO 20022-meddelandetyper (PACS, PAIN, CAMT, ADMI) med schemavalidering. Bank Statement Parser är specialbyggd för kontoutdragstolkning med hybrid-PDF-stöd, saldoverifiering, berikande, ledger-export och ett enhetligt API över sju format inklusive icke-ISO-format (CSV, OFX, QFX, MT940, PDF). Om du behöver tolka kontoutdrag till DataFrames med produktionsklassad säkerhet, använd Bank Statement Parser. Om du behöver arbeta med hela ISO 20022-meddelandekatalogen, använd pyiso20022.

Vilka är deadlines för SWIFT ISO 20022-migrering?

SWIFT har publicerat en tidslinje för stegvis migrering:

• November 2026: Strukturerade och hybridadresser blir obligatoriska. MT101-multiinstruktionsmeddelanden kommer att avvisas. Ärendehantering Fas 1 börjar.
• November 2027: Alla finansinstitut måste kunna ta emot CAMT.053-utdrag. SWIFT slutar konvertera MT till ISO-format.
• November 2028: Full avveckling av MT940, MT942, MT950, MT900 och MT910. Dessa ersätts av CAMT.052, CAMT.053 och CAMT.054.

Bank Statement Parser stöder både det äldre MT940-formatet och de moderna CAMT.053/PAIN.001-formaten, vilket gör det idealiskt för övergångsperioden.