PDF交易表金额提取失败，请求Python技术支持

无法从财务交易表中提取全部信息，尤其是Concept列、**Debit Amount（借方金额）和Credit Amount（贷方金额）**列——每笔交易仅为借方或贷方，故一列有值时另一列为空。当前代码可正确提取前四列，但后三列提取结果不理想，需提取PDF中23页交易表的所有列。

列提取要求 #

• Transaction Date（交易日期）和Accounting Date（记账日期）：格式统一为dd/mm/yy
• Card列：值为空白时标记为NA，否则为数字（当前固定为24，需兼容其他数字）
• Document列：仅包含数值
• Concept列：字母数字混合，首字母大写，可包含数字及-、_、+符号，内容可能因过长换行（非新行），需完整保留
• Debit Amount和Credit Amount列：数值类型，使用.作为小数分隔符，,作为千位分隔符，每笔交易仅其中一列有值

当前实现代码 #

# Libraries
import os
import pandas as pd
import re
from unidecode import unidecode
import unicodedata
import pdfplumber
from IPython.display import display
import plotly.express as px

# WorkSpace
workspace_path = r"C:\Users\Oscar Centeno\Desktop\Oscar\CGR\2024\Ingresosnotributarios\data"
os.chdir(workspace_path)

print(f"Directorio actual: {os.getcwd()}")
print("Archivos en el espacio de trabajo:", os.listdir(workspace_path))

# Data ingestion
pdf_filename1 = "Estado cuenta BCR cta 242 Diciembre 2023.pdf"
pdf_filename2 = "11. NOVIEMBRE BNCR INGRESOS COLONES.pdf"

# Reg 
# Patrón de expresión regular para fechas, tarjeta y documento
date_tarjeta_documento_pattern = r'(\d{2}/\d{2}/\d{2})\s+(\d{2}/\d{2}/\d{2})\s*(24)?\s+(\d+)'

with pdfplumber.open(pdf_filename1) as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        # Buscar todas las instancias de fechas consecutivas, tarjeta opcional, y documento numérico
        matches = re.findall(date_tarjeta_documento_pattern, text)
        for match in matches:
            # Verificar si el tercer grupo (tarjeta) está vacío y asignar 'Na' si es así
            tarjeta = match[2] if match[2] == '24' else "Na"
            data.append({
                "Fecha Movimiento": match[0],
                "Fecha Contable": match[1],
                "Tarjeta": tarjeta,
                "Documento": match[3]  # El cuarto grupo captura el número de documento
            })

# Convert into a DataFrame
df = pd.DataFrame(data)

内容的提问来源于stack exchange，提问作者Oscar CENTENO MORA