wlfb
f27eda88f4
Alle drei Bank-Parser gegen die realen Fixtures gehaertet: - DKB/VR/HVB: Sammlung endet am Schlusssaldo (break), damit Summen, Rechnungsabschluss und Hinweisseiten nicht mehr in die letzte Buchung rutschen. - Generische, rein strukturelle Noise-Filter fuer wiederkehrende Seitenfuss-/Kopfbloecke und Blattwechsel-Reste (keine Kontodaten hart codiert); Kopf-/Hinweisbloecke werden als Sequenz uebersprungen. - VR: Rekonstruktion harter Zeilenumbrueche im Verwendungszweck unter konservativen Schutzbedingungen (nur purpose, nicht counterparty). - Neue Noise- und expected-Value-Tests; expected_*.json gitignored. - Audit-Werkzeug scripts/parser_audit.py ergaenzt (nur lokale Nutzung). Transaktionszahlen und Saldo-Differenzen unveraendert; max. Laenge des Verwendungszwecks je Bank deutlich unter 300 Zeichen. Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
103 lines
4.6 KiB
Python
103 lines
4.6 KiB
Python
"""Parser für DKB (Deutsche Kreditbank)-Kontoauszüge.
|
||
|
||
Realer Fixture-Abgleich (Task 7, Schritt 4): Der eigentliche Auszugszeitraum
|
||
steht nicht als "vom X bis Y"-Satz im Text (dieser Wortlaut kommt nur in einem
|
||
separaten quartalsweisen Zinsabschluss-Absatz mit abweichendem Zeitraum vor);
|
||
er wird daher aus den Datumsangaben der beiden Kontostand-Zeilen abgeleitet.
|
||
Buchungszeilen haben nur eine Datumsspalte, die ohne Leerzeichen direkt am
|
||
Buchungstext klebt, und der Betrag trägt ein optionales führendes Minus statt
|
||
eines nachgestellten S/H-Kürzels. Der Anfangssaldo trägt den Zusatz
|
||
", Auszug Nr. N", der Endsaldo den Zusatz "um HH:MM Uhr" – beides
|
||
unterscheidet die echten Saldo-Zeilen von einer abweichend formulierten
|
||
Zwischensumme in einem quartalsweisen Rechnungsabschluss-Anhang.
|
||
"""
|
||
import re
|
||
from datetime import date
|
||
from pathlib import Path
|
||
|
||
import pdfplumber
|
||
|
||
from app.parsers.base import (ParsedStatement, ParsedTransaction, ParserError,
|
||
parse_german_amount, parse_german_date)
|
||
|
||
BANK = "dkb"
|
||
RE_IBAN = re.compile(r"\b([A-Z]{2}\d{2}(?:\s?\d{4}){4,5}(?:\s?\d{1,2})?)\b")
|
||
# "Kontostand am 01.06.2020, Auszug Nr. 1 1.234,56"
|
||
RE_OPENING = re.compile(r"Kontostand\s+am\s+(\d{2}\.\d{2}\.\d{4}),\s*Auszug\s+Nr\.\s*\d+\s+(-?[\d.,]+)", re.I)
|
||
# "Kontostand am 30.06.2020 um 12:00 Uhr -2.345,67"
|
||
RE_CLOSING = re.compile(r"Kontostand\s+am\s+(\d{2}\.\d{2}\.\d{4})\s+um\s+\d{2}:\d{2}\s*Uhr\s+(-?[\d.,]+)", re.I)
|
||
# Buchungszeile: "01.06.2020Überweisung -123,45" (Datum direkt am Text, kein Leerzeichen)
|
||
RE_TX_HEAD = re.compile(r"^(\d{2}\.\d{2}\.\d{4})(\S.*?)\s+(-?[\d.,]+)$")
|
||
# Wiederkehrender Seitenfuß (Bank-Impressum) und Folgeseiten-Kopf; rein
|
||
# strukturelle Muster (keine Kontodaten), damit dieser Block nicht als
|
||
# Verwendungszweck der jeweils letzten Buchung einer Seite eingesammelt wird.
|
||
RE_NOISE = re.compile(
|
||
r"(?:Kreditbank AG" # Impressum-Zeile 1
|
||
r"|Taubenstraße" # Impressum-Zeile 2 (Anschrift)
|
||
r"|^\d{5}\s+Berlin\b" # Impressum-Zeile 3 (PLZ Ort)
|
||
r"|Handelsregister" # Impressum-Zeile 4
|
||
r"|^Ein Unternehmen" # Impressum-Zeile 5
|
||
r"|Landesbank" # Impressum-Zeile 6
|
||
r"|^Kontoauszug\s+\d+/\d+\s+Seite" # Folgeseiten-Kopf
|
||
r"|^Girokonto\s+\d" # Folgeseiten-Kopf (Kontozeile)
|
||
r"|^Datum\s+Erläuterung" # Spaltenüberschrift
|
||
r")"
|
||
)
|
||
|
||
|
||
def _is_noise(line: str) -> bool:
|
||
return bool(RE_NOISE.search(line))
|
||
|
||
|
||
def parse(path: Path) -> ParsedStatement:
|
||
with pdfplumber.open(path) as pdf:
|
||
text = "\n".join((page.extract_text() or "") for page in pdf.pages)
|
||
opening = RE_OPENING.search(text)
|
||
closing = RE_CLOSING.search(text)
|
||
if not opening or not closing:
|
||
raise ParserError("DKB: Anfangs-/Endsaldo nicht gefunden")
|
||
period_start = parse_german_date(opening.group(1))
|
||
period_end = parse_german_date(closing.group(1))
|
||
iban_m = RE_IBAN.search(text)
|
||
txs: list[ParsedTransaction] = []
|
||
pending: dict | None = None
|
||
for line in text.splitlines():
|
||
line = line.strip()
|
||
if not line:
|
||
continue
|
||
# Schlusssaldo erreicht: laufende Buchung abschließen und Sammlung beenden
|
||
# (danach folgen nur noch Summen, Rechnungsabschluss und Hinweise).
|
||
if RE_CLOSING.search(line):
|
||
break
|
||
m = RE_TX_HEAD.match(line)
|
||
if m:
|
||
if pending:
|
||
txs.append(_finish(pending))
|
||
booking = parse_german_date(m.group(1))
|
||
pending = {
|
||
"booking": booking,
|
||
"value": booking,
|
||
"head": m.group(2).strip(),
|
||
"amount": parse_german_amount(m.group(3)),
|
||
"extra": [],
|
||
}
|
||
continue
|
||
if pending and not RE_OPENING.search(line) and not _is_noise(line):
|
||
pending["extra"].append(line)
|
||
if pending:
|
||
txs.append(_finish(pending))
|
||
return ParsedStatement(bank=BANK,
|
||
iban=iban_m.group(1).replace(" ", "") if iban_m else None,
|
||
period_start=period_start, period_end=period_end,
|
||
opening_balance=parse_german_amount(opening.group(2)),
|
||
closing_balance=parse_german_amount(closing.group(2)),
|
||
transactions=txs)
|
||
|
||
|
||
def _finish(p: dict) -> ParsedTransaction:
|
||
counterparty = p["extra"][0] if p["extra"] else ""
|
||
purpose = " ".join([p["head"], *p["extra"][1:]]).strip()
|
||
return ParsedTransaction(booking_date=p["booking"], value_date=p["value"],
|
||
amount=p["amount"], purpose=purpose,
|
||
counterparty=counterparty)
|