Python 3.10.10银行账单字符串拆分与制表符添加问题求助

问题背景 #

• 使用Python 3.10.10处理银行账单TXT文件，每行需拆分为7个固定字段：日期、描述、参考编号、交易日期、取款金额、存款金额、期末余额
• 仅描述字段允许包含空格，其余字段无空格
• 3500行数据存在多种格式异常：
  • 描述字段内混入随机制表符
  • 参考编号前有时缺失制表符分隔
  • 存在重复日期（示例：24/12/2021 24/12/2021 sample description REFNO123456 24/12/2021 0.00 100.00 1000.00）
  • 部分交易无参考编号，但需保证字段拆分正确
• 账单为加密文档，仅能通过特定库导出为TXT；手动修正效率极低（一周仅完成1000行），现有ChatGPT提供的代码无效

当前使用代码 #

f=open('/bankinfo final.txt','r')
txt=f.readlines()
cleanlist=[]
finalist=[]
for line in txt:
    for x in line.split(sep=' '):
        if x!='':
            cleanlist.append(x)
    part1=(cleanlist[0])
    part2=(' '.join(cleanlist[1:-6]))
    part3=(' '.join(cleanlist[:-7:-1][::-1]))
    mashup=part1+'\t'+part2+'\t'.join(part3.split())
    finalist.append(mashup)
    mashup=''
    cleanlist=[]
f.close()
f=open('bankinfo parsed.txt','w')
f.write('\n'.join(finalist))
f.close()

解决方案 #

核心思路是通过字段特征（日期、金额、参考编号的格式规则）精准拆分，而非简单按空格分割：

实现代码 #

import re

# 定义正则匹配规则，可根据实际账单格式调整
DATE_PATTERN = re.compile(r'^\d{2}/\d{2}/\d{4}$')  # DD/MM/YYYY格式日期
AMOUNT_PATTERN = re.compile(r'^-?\d+\.\d{2}$')     # 带两位小数的金额（支持负数）
REF_PATTERN = re.compile(r'^REF[A-Z0-9]+$')        # 参考编号规则（假设以REF开头）

def parse_single_line(line):
    # 统一所有空白字符为单个空格，去除首尾空白
    cleaned_line = re.sub(r'\s+', ' ', line.strip())
    if not cleaned_line:
        return None
    
    tokens = cleaned_line.split(' ')
    
    # 从后往前定位交易日期和金额字段：找最后一组"日期+3个金额"的组合
    transaction_segment_idx = -1
    for i in range(len(tokens)-3, 0, -1):
        if DATE_PATTERN.match(tokens[i]) and all(AMOUNT_PATTERN.match(amt) for amt in tokens[i+1:i+4]):
            transaction_segment_idx = i
            break
    if transaction_segment_idx == -1:
        return f"INVALID_LINE: {cleaned_line}"
    
    # 拆分出交易相关字段
    transaction_date, withdrawal, deposit, balance = tokens[transaction_segment_idx:transaction_segment_idx+4]
    remaining_tokens = tokens[:transaction_segment_idx]
    
    # 提取账单日期（第一个符合格式的日期）
    bill_date = None
    for idx, token in enumerate(remaining_tokens):
        if DATE_PATTERN.match(token):
            bill_date = token
            middle_tokens = remaining_tokens[idx+1:]
            break
    if not bill_date:
        return f"MISSING_BILL_DATE: {cleaned_line}"
    
    # 识别参考编号
    ref_no = ""
    description_tokens = middle_tokens.copy()
    for idx, token in enumerate(middle_tokens):
        if REF_PATTERN.match(token):
            ref_no = token
            description_tokens = middle_tokens[:idx]
            break
    
    description = ' '.join(description_tokens)
    
    # 组装为制表符分隔的结果
    return '\t'.join([bill_date, description, ref_no, transaction_date, withdrawal, deposit, balance])

# 批量处理文件
input_file = '/bankinfo final.txt'
output_file = 'bankinfo parsed.txt'

with open(input_file, 'r', encoding='utf-8') as f_in:
    lines = f_in.readlines()

processed_lines = []
for line_num, line in enumerate(lines, 1):
    result = parse_single_line(line)
    processed_lines.append(result if result else f"EMPTY_LINE_{line_num}")

with open(output_file, 'w', encoding='utf-8') as f_out:
    f_out.write('\n'.join(processed_lines))

代码说明 #

1. 预处理：将所有空白字符（空格、制表符）统一为单个空格，消除格式杂乱问题
2. 反向定位：从行尾往前找交易日期和金额字段，避免描述内容干扰拆分
3. 特征匹配：用正则识别日期、金额、参考编号，确保字段拆分的准确性
4. 异常处理：对不符合格式的行标记异常，方便后续人工核对少量特殊情况

内容的提问来源于stack exchange，提问作者DuckSleazzy