Temario Lección 219 de 250 · Proyecto: servicio de inteligencia documental
Proyecto: servicio de inteligencia documental

Extrae campos de texto desordenado

Bienvenido a tu proyecto estrella del portafolio. A lo largo de cuatro lecciones construirás un servicio de inteligencia documental: el tipo de canalización que ejecuta un equipo de fintech u operaciones para convertir un montón de facturas desordenadas en filas limpias, validadas y conciliadas en una base de datos. Al final podrás decirle a quien te contrate que "construiste una canalización de extracción validada por esquema, con conciliación y evaluaciones" -> y decirlo en serio.

El primer paso es la parte sucia que no le gusta a nadie pero que todo el mundo necesita: sacar campos estructurados de texto no estructurado. Un proveedor envía una factura por correo como un bloque de texto. Tu trabajo es parse_invoice(text) -> un dict con vendor, date, total (un float) y line_items (una lista de dicts {"desc", "amount"}).

La pega, y la razón de que esto sea trabajo de verdad: los documentos no son uniformes. Uno dice Total:, el siguiente dice Amount Due, un tercero lo rellena todo con espacios de más. Las etiquetas varían, las mayúsculas varían, los espacios varían. Un analizador que solo trata un formato exacto no sirve con el correo real.

Vendor: Acme Corp
Date: 2026-01-15
Line: Widgets x10    120.00
Line: Shipping        8.50
Total: 128.50

Las reglas que debe seguir tu analizador:

  • El proveedor sale de una línea con la etiqueta vendor (sin distinguir mayúsculas). Toma todo lo que hay después de los dos puntos y quita los espacios.
  • La fecha sale de una línea con la etiqueta date. Conserva la cadena en bruto (una lección posterior la valida).
  • El total sale de una línea cuya etiqueta es total O amount due (las dos aparecen en la realidad). Convierte el número en float, tolerando un $ delante y comas de miles como 1,250.00.
  • Cada línea de concepto está en una línea con la etiqueta line o item: el texto antes del número final es el desc (sin espacios alrededor), y el número final es el amount (un float).

Una forma limpia de entrar: divide por saltos de línea y, en cada línea, divide una vez por el primer : para obtener label, rest. Pasa la etiqueta a minúsculas, quítale los espacios y ramifica. Para el importe final de una línea de concepto, una pequeña regex como re.search(r"(-?[\d,]+\.?\d*)\s*$", rest) captura el último número. Los campos que faltan toman valores por defecto razonables: sin línea de proveedor -> "", sin total -> 0.0, sin conceptos -> [].

Los equipos de producción recurren cada vez más a un LLM para este paso, pero la salida del LLM tiene que acabar teniendo exactamente esta forma o el resto de la canalización se rompe -> por eso construyes primero el analizador determinista y confías en él. Pulsa Ejecutar para analizar una factura de ejemplo y ver salir el dict estructurado.

Tu turno

Escribe parse_invoice(text), que convierta una cadena de factura desordenada en un dict con vendor (str), date (str en bruto), total (float) y line_items (una lista de dicts {"desc", "amount"}). Sé tolerante: las etiquetas no distinguen mayúsculas, total puede aparecer como amount due, las líneas de concepto se etiquetan line o item, y los números pueden llevar un $ o comas de miles. Sin proveedor -> "", sin total -> 0.0, sin conceptos -> []. Un importe de línea también puede llevar un $ y comas de miles; ninguno de los dos pertenece a desc (Line: Cloud Hosting $1,706.92 da desc Cloud Hosting e importe 1706.92).

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.