Pipeline de extratos bancários em PDF para conciliação contábil

Um pipeline de extratos bancários em PDF para conciliação contábil é uma esteira de software que recebe arquivos PDF enviados pelos bancos, extrai as transações (data, histórico, valor, tipo), normaliza esses dados para um formato único e os entrega prontos para o lançamento contábil. O objetivo não é substituir o contador, e sim tirar dele o trabalho repetitivo de digitar linha por linha, deixando a conferência humana focada no que realmente exige julgamento.

Na prática, isso se monta com três peças: um leitor de PDF (pdfplumber ou PyMuPDF), um motor de OCR quando o arquivo é uma imagem escaneada (Tesseract e seus wrappers em Python) e uma camada de normalização que converte datas e valores no formato brasileiro, como R$ 1.234,56, para números que um sistema contábil entende. Nenhuma dessas peças é infalível, e é por isso que a validação humana continua obrigatória no fim da esteira.

Resumo rápido

• O que faz: extrai transações de extratos em PDF e as estrutura para conciliação contábil.
• PDF de texto: use pdfplumber ou PyMuPDF para ler caracteres e tabelas sem OCR.
• PDF escaneado: só OCR resolve, com Tesseract e o pacote de idioma português (tessdata).
• Normalização: converta datas dd/mm/aaaa e valores R$ 1.234,56 para tipos nativos.
• Conferência humana: obrigatória, porque OCR erra e nenhum pipeline acerta 100%.
• Regra de ouro: nunca prometa acurácia sem medir no seu próprio lote de extratos.

Por que os extratos em PDF dão trabalho

Extrato bancário em PDF é um dos piores formatos possíveis para automação, por três motivos. Primeiro, cada banco tem um layout próprio, com colunas, fontes e a ordem dos campos mudando de uma instituição para outra. Segundo, muitos extratos são gerados como imagem, ou seja, o PDF não tem texto selecionável, só pixels. Terceiro, o mesmo extrato pode misturar texto real e trechos escaneados na mesma página.

Existem dois tipos de PDF, e o pipeline precisa lidar com os dois:

O primeiro passo de qualquer pipeline sério é justamente essa classificação. Rodar OCR em um PDF que já tem texto é desperdício e ainda pode piorar o resultado, porque o OCR erra onde a extração direta acertaria.

A escolha das bibliotecas de PDF em Python

Para PDFs com texto real, duas bibliotecas Python dominam o cenário, e cada uma tem um perfil diferente.

O pdfplumber é construído sobre o pdfminer.six e informa, segundo a própria documentação do projeto, que funciona melhor em PDFs gerados por computador do que em PDFs escaneados. Ele expõe cada caractere, retângulo e linha da página, e traz extração de texto e de tabelas. É a escolha natural quando o extrato tem colunas alinhadas e você quer capturar a estrutura da tabela, não só o texto corrido. A documentação está em github.com/jsvine/pdfplumber.

O PyMuPDF se descreve, na página do pacote no PyPI, como uma biblioteca Python de alta performance para extração, análise, conversão e manipulação de PDF e outros documentos. Ele tende a ser mais rápido em documentos grandes, o que importa quando você processa milhares de páginas por mês. A documentação fica em pymupdf.readthedocs.io.

Não existe uma resposta única. Muitos pipelines usam PyMuPDF para uma primeira varredura rápida e pdfplumber para extrair a tabela com precisão quando a página é textual. O importante é medir no seu próprio conjunto de extratos, porque o resultado varia muito de banco para banco.

Quando entra o OCR: Tesseract e APIs de visão

Quando o extrato é uma imagem, não há texto para extrair, e a única saída é reconhecimento óptico de caracteres. O Tesseract é um motor de OCR de código aberto, sob licença Apache 2.0, que pode ser usado por linha de comando ou por API, e que desde a versão 4.0 traz um motor baseado em redes neurais LSTM. Ele suporta dezenas de idiomas. A documentação oficial fica em tesseract-ocr.github.io/tessdoc.

Os dados de treinamento de idioma (traineddata) ficam no repositório tesseract-ocr/tessdata. Para português, é preciso instalar o pacote de idioma correspondente, porque sem ele o motor não reconhece os acentos e as palavras da língua. Em Python, o wrapper mais comum é o pytesseract, que chama o Tesseract instalado no sistema.

Além do Tesseract, existem APIs de visão de provedores de nuvem, que tratam a página como imagem e devolvem o texto reconhecido. Elas podem lidar melhor com layouts tortos e fontes incomuns, mas trazem custo por chamada, dependência de conexão e a necessidade de enviar dados financeiros para fora da sua infraestrutura. Isso é uma decisão de segurança e de LGPD, não só técnica. Você pode ler mais sobre esse cuidado em segurança e LGPD na implantação de IA.

Normalização de datas e valores no formato brasileiro

Extrair o texto é metade do trabalho. A outra metade é transformar aquilo em dados que o sistema contábil aceite. No Brasil, isso significa lidar com dois formatos recorrentes.

Datas: o padrão brasileiro é dd/mm/aaaa. Bancos costumam abreviar meses, usar dois dígitos para o ano ou escrever o mês por extenso. O pipeline precisa converter tudo para um formato único, de preferência ISO 8601 (aaaa-mm-dd), antes de gravar no banco.

Valores: o formato brasileiro usa ponto como separador de milhar e vírgula como separador decimal, como em R$ 1.234,56. Um sistema que lê esse número como se fosse o formato americano entende 1,234 como mil duzentos e trinta e quatro, um erro de três ordens de grandeza. A conversão precisa remover o símbolo da moeda, tirar o ponto de milhar e trocar a vírgula por ponto.

Para a manipulação tabular depois da extração, o pandas é a referência mais usada em Python, com documentação em pandas.pydata.org/docs. Ele ajuda a aplicar a conversão de tipos de uma vez para uma coluna inteira, em vez de tratar linha por linha.

O esqueleto do pipeline, etapa por etapa

Um pipeline defensável segue sempre a mesma ordem. Cada etapa existe para reduzir o risco da seguinte.

• 1. Ingestão. Receber o PDF, registrar quem enviou, de qual banco e de qual período. Sem isso, não há como auditar depois.
• 2. Classificação. Detectar se a página tem texto real ou é imagem. Rotear cada página para o caminho certo.
• 3. Extração. pdfplumber ou PyMuPDF para texto; Tesseract para imagem.
• 4. Parsing. Identificar as transações no texto bruto, separando data, histórico e valor.
• 5. Normalização. Converter datas e valores para tipos nativos.
• 6. Validação. Conferir se a soma das transações bate com o saldo do período informado no próprio extrato.
• 7. Saída. Gravar em formato estruturado, como CSV ou banco de dados, para o sistema contábil importar.
• 8. Conferência humana. Uma pessoa revisa o que não bateu e aprova o lote.

A etapa 6 é a mais valiosa e a mais ignorada. O extrato geralmente traz um saldo inicial e um saldo final. Se a soma das transações que você extraiu não reproduz a diferença entre esses saldos, algo saiu errado na leitura, e o lote inteiro precisa ser revisto. É um teste de consistência interno que não depende de nenhuma fonte externa.

O formato de saída para a conciliação

Depois de normalizado, o dado precisa sair em um formato que o sistema contábil entenda. O CSV continua sendo a opção mais universal, e a documentação do módulo de CSV da biblioteca padrão do Python está em docs.python.org/3/library/csv.html. Um bom layout de saída traz, no mínimo, data, histórico, valor com sinal, tipo (débito ou crédito) e um identificador do documento de origem, para rastrear de onde veio cada linha.

Para a contabilidade brasileira, vale lembrar que o processo se encaixa no Sistema Público de Escrituração Digital (SPED), cuja página oficial é mantida pela Receita Federal em gov.br/receitafederal. O pipeline não gera o SPED sozinho, mas alimenta o sistema que o produz, e por isso os dados precisam estar corretos desde a origem.

Exemplo: escritório de contabilidade em Ribeirão Preto

Considere um escritório de contabilidade de porte médio em Ribeirão Preto, no interior de São Paulo, que atende pequenas empresas. Todo mês, cada cliente envia o extrato do banco em PDF, às vezes por e-mail, às vezes por WhatsApp. São dezenas de arquivos, de bancos diferentes, com layouts diferentes, e a equipe digita cada lançamento à mão no sistema contábil.

Nesse cenário, o pipeline faz sentido em três passos, na seguinte ordem. Primeiro, um endereço único de recebimento, para que todo extrato entre pelo mesmo caminho e seja classificado automaticamente por banco. Segundo, extração e normalização com pdfplumber nos PDFs de texto e Tesseract nos escaneados, gerando um arquivo padronizado por cliente. Terceiro, um painel de conferência onde o contador vê apenas as linhas que não passaram na validação e aprova o lote com um clique.

O ganho não vem de eliminar o contador, e sim de mudar o trabalho dele: em vez de digitar, ele revisa. É um cenário ilustrativo, para mostrar o critério de desenho, e não um número de resultado. Quanto tempo se economiza depende do volume, da qualidade dos PDFs e do tanto que a validação automática conseguir filtrar, e só um teste com os extratos reais do escritório responde isso.

Os limites reais do OCR em extratos

Vale ser honesto sobre o que o OCR não resolve bem em extrato bancário. Tabelas com colunas estreitas, onde um dígito encosta no outro, são fonte comum de erro. Fundos com marca d’água do banco confundem o reconhecimento. Números pequenos, como os dos centavos, somem com mais facilidade. Fontes incomuns, com serifa fina ou espaçamento reduzido, pioram o resultado.

Um caractere trocado em um valor não é um detalhe estético: transforma R$ 100,00 em R$ 700,00 se o OCR ler o 1 como 7. Por isso, além da conferência por saldo, é útil adicionar regras de sanidade, como sinalizar qualquer transação muito acima do padrão histórico do cliente. Mas cuidado: essas regras são heurísticas, não garantias, e nunca devem ser apresentadas como se o sistema fosse à prova de erro.

Erros comuns

• Rodar OCR em PDF que já tem texto. Piora o resultado e desperdiça tempo. Classifique a página antes.
• Ignorar o idioma no Tesseract. Sem o pacote de português do tessdata, acentos e palavras saem errados.
• Tratar R$ 1.234,56 como número americano. Ponto e vírgula invertidos mudam o valor em mil vezes.
• Pular a conferência por saldo. É o teste mais barato para saber se a extração do lote está consistente.
• Prometer acurácia sem medir. Cada banco e cada layout tem seu próprio índice de erro. Meça no seu lote.
• Eliminar a revisão humana. Nenhum pipeline de OCR de extrato está livre de erro, e erro de valor em contabilidade tem consequência real.
• Mandar dado financeiro para fora sem avaliar. Enviar extrato para API de nuvem exige análise de LGPD e de contrato.

Perguntas frequentes

Preciso de OCR para todo extrato em PDF?

Não. Só para PDFs escaneados, nos quais não há texto selecionável. Para PDFs gerados por computador, pdfplumber ou PyMuPDF extraem o texto direto, com resultado melhor e mais rápido. O primeiro passo do pipeline é justamente separar os dois casos.

pdfplumber ou PyMuPDF: qual escolher?

Depende do extrato e do volume. O pdfplumber é forte na extração de tabelas de PDFs gerados por computador. O PyMuPDF é conhecido pela alta performance em documentos grandes. Muitos pipelines usam os dois, medindo em um lote real de extratos antes de fixar a escolha.

O pipeline consegue acertar 100% dos lançamentos?

Não trate isso como expectativa. PDFs de bancos variam muito, OCR erra em tabelas apertadas e em fundos com marca d’água. Por isso a conferência humana é obrigatória, apoiada por validações automáticas como a conferência de saldo. A meta razoável é reduzir o trabalho manual, não zerá-lo.

Como conferir se a extração está correta?

Some as transações extraídas e compare com a diferença entre o saldo inicial e o saldo final informados no próprio extrato. Se não bater, houve falha de leitura. Complemente com regras de sanidade, como sinalizar valores muito fora do padrão do cliente, sempre como alerta e não como veredito.

Isso substitui a escrituração no SPED?

Não. O pipeline alimenta o sistema contábil com dados normalizados. A escrituração digital segue as regras do SPED, definidas pela Receita Federal. O papel do pipeline é entregar dados corretos e rastreáveis na ponta inicial do processo.

Preciso de equipe de TI para montar?

Um protótipo pode ser montado por alguém com Python básico, usando pdfplumber e as bibliotecas citadas. Mas um pipeline que roda em produção, com tratamento de erro, log e conferência de saldo, é um projeto de software, e vale ter apoio técnico para manter.

Fontes e leitura recomendada

• pdfplumber: documentação e código (jsvine/pdfplumber)
• PyMuPDF: documentação oficial
• Tesseract: manual oficial do usuário
• tessdata: dados de treinamento de idioma do Tesseract
• Python: módulo csv da biblioteca padrão
• Receita Federal: SPED, Sistema Público de Escrituração Digital
• CFC: Vice-Presidência de Regulação e Normas Técnicas