#!/usr/bin/env python3 """ extract_mercantil_pdf.py Extrae movimientos bancarios de PDFs de estado de cuenta de Banco Mercantil. Usa las coordenadas X de los montos para determinar si son CARGOS o ABONOS. Estructura del PDF: - Dos columnas espejo (izquierda y derecha) - Cada línea de movimiento: FECHA REFERENCIA DESCRIPCION MONTO - Los montos pueden estar en columna CARGOS o ABONOS según su posición X Rangos X calibrados: - CARGOS izq: X <= 213 (después de la descripción) - ABONOS izq: 213 < X <= 265 - SALDO izq: X > 265 (ignorar) - CARGOS der: X <= 601 (en mitad derecha) - ABONOS der: 601 < X <= 653 - SALDO der: X > 653 (ignorar) """ import sys import json import re try: import pdfplumber except ImportError: print(json.dumps({"error": "pdfplumber no está instalado"})) sys.exit(1) def parse_monto_ve(s: str) -> float: """Convierte monto venezolano (1.234,56) a float""" s = str(s).replace('.', '').replace(',', '.') try: return abs(float(s)) except: return 0.0 def extract_movimientos(pdf_path: str) -> dict: try: pdf = pdfplumber.open(pdf_path) except Exception as e: return {"error": f"No se pudo abrir el PDF: {str(e)}"} total_pages = len(pdf.pages) # Obtener año y saldo inicial del resumen year_suffix = "25" saldo_inicial = 0.0 # Buscar año en las primeras páginas for i in range(min(3, len(pdf.pages))): page_text = pdf.pages[i].extract_text() or "" year_match = re.search(r'(\d{2})-(\d{2})-(\d{2})', page_text) if year_match: year_suffix = year_match.group(3) break # Buscar saldo inicial en las primeras páginas for i in range(min(3, len(pdf.pages))): page_text = pdf.pages[i].extract_text() or "" page_clean = page_text.replace(' ', '') # Patrón 1: "0111 SALDOALINICIODELPERIODO 93.783,48" match = re.search(r'0111\s*SALDOALINICIODELPERIODO\s*([\d.,]+)', page_clean) if match: saldo_inicial = parse_monto_ve(match.group(1)) break # Patrón 2: "SALDOALINICIODELPERIODO: 93.783,48" match = re.search(r'SALDOALINICIODELPERIODO[:\s]*([\d.,]+)', page_clean, re.IGNORECASE) if match: saldo_inicial = parse_monto_ve(match.group(1)) break all_movimientos = [] pages_processed = 0 # Constantes de posición calibradas PAGE_MIDPOINT = 396 # Rangos para clasificar montos (columna izquierda) LEFT_CARGO_MAX_X = 213 # Montos con X <= 213 son CARGOS LEFT_ABONO_MAX_X = 265 # Montos con 213 < X <= 265 son ABONOS LEFT_SALDO_MIN_X = 265 # Montos con X > 265 son SALDO LEFT_SALDO_MAX_X = 320 # Rango máximo para saldo izquierdo # Rangos para columna derecha RIGHT_CARGO_MAX_X = 601 # Montos en derecha con X <= 601 son CARGOS RIGHT_ABONO_MAX_X = 653 # Montos con 601 < X <= 653 son ABONOS RIGHT_SALDO_MIN_X = 653 # Montos con X > 653 son SALDO RIGHT_SALDO_MAX_X = 710 # Rango máximo para saldo derecho for page_num, page in enumerate(pdf.pages): page_text = page.extract_text() or '' # Procesar páginas que tienen MOVIMIENTOSDECUENTA # Incluso si también tienen MERCANTILENLINEA (páginas de transición) if 'MOVIMIENTOSDECUENTA' not in page_text: continue # Saltar páginas que son SOLO de puntos de venta (sin movimientos normales) if 'PUNTOSDEVENTA' in page_text.replace(' ', '') and 'FECHA NUMERO DESCRIPCION' not in page_text: continue pages_processed += 1 words = page.extract_words() # Agrupar por Y (línea) lines = {} for w in words: y = round(w['top'], 0) if y not in lines: lines[y] = [] lines[y].append({ 'x': w['x0'], 'x1': w['x1'], 'text': w['text'] }) # Procesar cada línea for y_coord, words_in_line in sorted(lines.items()): ws = sorted(words_in_line, key=lambda w: w['x']) # Buscar fechas (patrón dd/mm) for i, w in enumerate(ws): if not re.match(r'^\d{2}/\d{2}$', w['text']): continue fecha = w['text'] x_fecha = w['x'] is_left = x_fecha < PAGE_MIDPOINT # Buscar referencia (número de 6+ dígitos después de la fecha) referencia = '' descripcion_parts = [] monto_info = None saldo_info = None for j in range(i + 1, min(i + 15, len(ws))): next_w = ws[j] x_pos = next_w['x'] text = next_w['text'] # No cruzar a la otra columna if is_left and x_pos > PAGE_MIDPOINT: break if not is_left and x_pos < PAGE_MIDPOINT: break # Ignorar montos en zona "PORBS." (info complementaria, X~51-120) if is_left and 50 <= x_pos <= 130: if re.match(r'^[\d.,]+$', text) and ',' in text: continue # Skip, es "PORBS." if not is_left and 440 <= x_pos <= 520: if re.match(r'^[\d.,]+$', text) and ',' in text: continue # Skip # Buscar referencia if not referencia and re.match(r'^\d{6,}$', text): referencia = text continue # Buscar monto (en zona CARGOS o ABONOS) y saldo if re.match(r'^[\d.,]+$', text) and ',' in text: val = parse_monto_ve(text) if val > 0 and val < 50000000: # Clasificar por posición X if is_left: if x_pos <= LEFT_CARGO_MAX_X: if not monto_info: monto_info = {'text': text, 'valor': val, 'tipo': 'DEBITO', 'x': x_pos} elif x_pos <= LEFT_ABONO_MAX_X: if not monto_info: monto_info = {'text': text, 'valor': val, 'tipo': 'CREDITO', 'x': x_pos} elif LEFT_SALDO_MIN_X < x_pos <= LEFT_SALDO_MAX_X: # Es SALDO if monto_info and not saldo_info: saldo_info = {'text': text, 'valor': val} else: if x_pos <= RIGHT_CARGO_MAX_X: if not monto_info: monto_info = {'text': text, 'valor': val, 'tipo': 'DEBITO', 'x': x_pos} elif x_pos <= RIGHT_ABONO_MAX_X: if not monto_info: monto_info = {'text': text, 'valor': val, 'tipo': 'CREDITO', 'x': x_pos} elif RIGHT_SALDO_MIN_X < x_pos <= RIGHT_SALDO_MAX_X: # Es SALDO if monto_info and not saldo_info: saldo_info = {'text': text, 'valor': val} # Acumular descripción if referencia and not re.match(r'^\d+$', text): descripcion_parts.append(text) # Guardar movimiento si tiene referencia y monto if referencia and monto_info: descripcion = ''.join(descripcion_parts) # Filtrar saldo inicial if 'SALDOALINICIODELPERIODO' in descripcion.upper().replace(' ', ''): continue fecha_completa = f"{fecha}/{year_suffix}" all_movimientos.append({ 'fecha': fecha_completa, 'referencia': referencia, 'descripcion': descripcion, 'monto': monto_info['text'], 'saldo': saldo_info['text'] if saldo_info else '', 'tipo': monto_info['tipo'], 'pagina': page_num + 1, 'columna': 'izq' if is_left else 'der' }) pdf.close() # Eliminar duplicados seen = set() unique = [] for m in all_movimientos: key = (m['referencia'], m['fecha'], m['monto'], m['tipo']) if key not in seen: seen.add(key) unique.append(m) # Ordenar por fecha y página para calcular saldo acumulado def parse_date_key(m): # Formato: dd/mm/yy parts = m['fecha'].split('/') if len(parts) == 3: return (int('20' + parts[2]), int(parts[1]), int(parts[0]), m['pagina'], id(m)) return (0, 0, 0, 0, 0) unique_sorted = sorted(unique, key=parse_date_key) # Calcular saldo acumulado saldo_actual = saldo_inicial for m in unique_sorted: monto_val = parse_monto_ve(m['monto']) if m['tipo'] == 'CREDITO': saldo_actual += monto_val else: # DEBITO saldo_actual -= monto_val # Actualizar el campo saldo con el saldo después del movimiento m['saldo'] = f"{saldo_actual:,.2f}".replace(',', 'X').replace('.', ',').replace('X', '.') # Calcular resumen creditos = [m for m in unique_sorted if m['tipo'] == 'CREDITO'] debitos = [m for m in unique_sorted if m['tipo'] == 'DEBITO'] total_creditos = sum(parse_monto_ve(m['monto']) for m in creditos) total_debitos = sum(parse_monto_ve(m['monto']) for m in debitos) return { 'movimientos': unique_sorted, 'resumen': { 'total_movimientos': len(unique_sorted), 'cantidad_creditos': len(creditos), 'cantidad_debitos': len(debitos), 'suma_creditos': round(total_creditos, 2), 'suma_debitos': round(total_debitos, 2), 'balance': round(total_creditos - total_debitos, 2), 'saldo_inicial': saldo_inicial, 'saldo_final': round(saldo_actual, 2), 'paginas_procesadas': pages_processed, 'total_paginas': total_pages } } if __name__ == '__main__': if len(sys.argv) < 2: print(json.dumps({"error": "Uso: python3 extract_mercantil_pdf.py "})) sys.exit(1) pdf_path = sys.argv[1] result = extract_movimientos(pdf_path) print(json.dumps(result, ensure_ascii=False))