Financial Table Parser Skill

Propósito

Esta habilidad proporciona extracción determinista de tablas financieras desde PDFs de licitación. Los LLMs son propensos a errores matemáticos con texto; esta herramienta garantiza datos numéricos precisos listos para cálculos.

Características principales:

1. •Extracción con pdfplumber: Detecta grillas de tablas respetando celdas fusionadas
2. •Filtro de tablas financieras: Solo procesa tablas con keywords monetarios
3. •Sanitización de monedas: Convierte "$ 1.500,00" → 1500.0
4. •Output estructurado: JSON-like con headers normalizados (snake_case)

Directrices de Uso Operativo

Cuándo Usar

• •Extraer precios unitarios, cantidades y totales de tablas de cotización
• •Calcular sumas o validar totales de presupuestos
• •Obtener datos numéricos para análisis financiero

Cuándo NO Usar

• •Tablas de índice o contenido (no tienen datos financieros)
• •PDFs escaneados sin capa de texto (requieren OCR previo)
• •Texto corrido sin estructura tabular

Entrada

Salida

FinancialTableOutput por cada tabla detectada:

• •table_id: Identificador secuencial
• •page_number: Página donde se encontró
• •headers: Lista de encabezados normalizados
• •rows: Lista de FinancialRow con datos parseados
• •total_detected: Suma calculada de la columna de totales
• •confidence: Score de confianza financiera (0-1)

Sanitización de Monedas

La función _clean_currency_string() maneja múltiples formatos:

Detección de Tablas Financieras

Una tabla se considera "financiera" si contiene keywords en headers o celdas:

FINANCIAL_KEYWORDS = [
    "precio", "price", "monto", "amount", "total", 
    "cost", "costo", "unit", "unidad", "subtotal",
    "iva", "tax", "importe", "valor", "value",
    "$", "€", "usd", "ars", "eur"
]

Tablas sin estos keywords reciben confidence < 0.5 y pueden ser filtradas.

Ejemplos de Invocación (Few-Shot)

Ejemplo 1: Extraer tablas de páginas específicas

Usuario: "Extrae los precios de las páginas 45 a 47 del pliego"

Acción:
parser = FinancialTableParser()
tables = parser.extract(
    file_path="/docs/pliego_precios.pdf",
    page_range="45-47"
)

for table in tables:
    print(f"Tabla {table.table_id} (pág. {table.page_number})")
    print(f"Total calculado: ${table.total_detected:,.2f}")

Ejemplo 2: Validar totales de presupuesto

Usuario: "Necesito verificar que los totales del Anexo B sumen correctamente"

Razonamiento: Usuario quiere validación de sumas, extraer y calcular.

Acción:
tables = parser.extract(
    file_path="/docs/anexo_b.pdf",
    page_range="1-5",
    currency_hint="ARS"
)

for table in tables:
    calculated = sum(row.total_price or 0 for row in table.rows)
    print(f"Suma calculada: {calculated}")
    print(f"Total en tabla: {table.total_detected}")
    print(f"Diferencia: {abs(calculated - table.total_detected)}")

Ejemplo 3: Solo tablas de alta confianza

Usuario: "Solo dame las tablas que seguro son de precios"

Acción:
tables = parser.extract(
    file_path="/docs/licitacion.pdf",
    page_range="1-50",
    confidence_threshold=0.8  # Solo alta confianza
)

Manejo de Celdas Fusionadas

El parser detecta y propaga valores de celdas fusionadas verticalmente:

| Categoría   | Producto  | Precio |
|-------------|-----------|--------|
| Servidores  | Dell R740 | $5,000 |  ← "Servidores" se propaga
|             | HP DL380  | $4,500 |
|             | Lenovo SR | $4,200 |
| Storage     | NetApp    | $8,000 |  ← Nueva categoría

Guardrails y Limitaciones

[!CAUTION] PDFs escaneados: Si el PDF es una imagen escaneada, pdfplumber no puede detectar tablas. Use RFPDocumentLoader con OCR primero.

[!WARNING] Ambigüedad de separadores: El parser intenta detectar automáticamente si , es separador de miles o decimales, pero puede fallar en casos ambiguos como "1,234" (¿1234 o 1.234?).

[!NOTE] Tablas complejas: Tablas con múltiples niveles de headers o estructuras irregulares pueden no parsearse correctamente.

Diagrama de Flujo

flowchart TD
    A[PDF Input + Page Range] --> B[Parse Pages]
    B --> C{Tables Found?}
    C -->|No| D[Return Empty]
    C -->|Yes| E[For Each Table]
    E --> F{Is Financial?}
    F -->|No| G[Skip or Low Confidence]
    F -->|Yes| H[Extract Headers]
    H --> I[Handle Merged Cells]
    I --> J[Parse Each Row]
    J --> K[Clean Currency Strings]
    K --> L[Map to FinancialRow]
    L --> M[Calculate Total]
    M --> N[Return FinancialTableOutput]