如何从包含多笔交易数据的文本文件中提取交易明细

1. 先明确统一提取字段 #

提前定义所有交易通用的结构化字段，确保不同类型交易提取的内容格式一致：

• 交易时间
• 交易类型（消费/取现/转账等）
• 支付渠道（借记卡/UPI/Simpl/OlaMoney等）
• 交易对手/消费场景
• 交易金额（单位：Rs）
• 关联凭证（卡号后四位/UPI流水号/交易编号等）
• 账户余额（可选，仅部分交易有该字段）
• 交易分类（对应原文本中Aggregate under XXX的标记内容）

2. 文本预处理 #

首先清洗原始文本中的HTML标签（<p>/<code>/<a>等），仅保留纯文本内容；同时将Aggregate under XXX的分类标记单独提取，和该标记之后、下一个分类标记之前的所有交易绑定，作为该批交易的分类标签。

3. 按交易模板编写正则匹配规则 #

你提供的样例交易都是固定模板的半结构化文本，用正则表达式即可完成精准提取，核心匹配规则如下：

借记卡交易模板 #

匹配规则：您于(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})通过Debit Card (xx\d{4})在(.*?)(消费|取现)Rs\.?([0-9\.]+)，可用余额Avl Bal Rs\.?([0-9\.]+)
对应提取字段：交易时间、卡号后四位、交易对手、交易类型、交易金额、账户余额

HDFC银行UPI转账模板 #

匹配规则：尾号\*\*(\d{4})账户于(\d{2}-\d{2}-\d{2})向VPA (.*?)支出Rs ?([0-9\.]+)（UPI Ref No (\d+)）
对应提取字段：卡号后四位、交易时间、收款账户、交易金额、UPI流水号

先买后付消费模板 #

• Simpl支付匹配规则：(.*?)平台消费Rs\.?([0-9\.]+)，通过(Simpl)扣款
• OlaMoney支付匹配规则：您使用(OlaMoney Postpaid)支付(.*?)平台交易.*?的Rs\.? ?([0-9\.]+)款项成功
  对应提取字段：支付渠道、消费场景、交易金额

4. 结构化输出 #

把所有提取到的字段整理成CSV、JSON或者表格形式即可，样例输出如下：

Python实现参考代码 #

如果需要批量处理，可以用以下代码快速实现：
首先安装依赖：
pip install beautifulsoup4 lxml
核心代码：

from bs4 import BeautifulSoup
import re
import csv

# 读取原始交易文本
with open("交易原始文件.txt", "r", encoding="utf-8") as f:
    raw_content = f.read()

soup = BeautifulSoup(raw_content, "lxml")
current_category = ""
result = []

for tag in soup.find_all(["p", "code"]):
    text = tag.get_text(strip=True)
    # 提取分类标签
    if text.startswith("Aggregate under"):
        current_category = text.replace("Aggregate under", "").strip()
        continue
    # 匹配借记卡交易
    debit_res = re.search(r"您于(\d{4}-\d{2}-\d{2} \d{2}:\d{2}:\d{2})通过Debit Card (xx\d{4})在(.*?)(消费|取现)Rs\.?([0-9\.]+)，可用余额Avl Bal Rs\.?([0-9\.]+)", text)
    if debit_res:
        result.append({
            "交易时间": debit_res.group(1),
            "交易类型": debit_res.group(4),
            "支付渠道": "借记卡",
            "交易对手": debit_res.group(3),
            "金额": debit_res.group(5),
            "关联凭证": debit_res.group(2),
            "余额": debit_res.group(6),
            "分类": current_category
        })
        continue
    # 其余UPI、先买后付交易匹配逻辑按上面的正则规则补充即可

# 输出为CSV文件
with open("交易明细提取结果.csv", "w", encoding="utf-8-sig", newline="") as f:
    writer = csv.DictWriter(f, fieldnames=result[0].keys())
    writer.writeheader()
    writer.writerows(result)

内容的提问来源于stack exchange，提问作者Aman Singh