AWS Builder Center

De PDF a datos estructurados: automatizando la extracción de información exógena tributaria con Python

Cómo diseñamos un clasificador y 12 scripts de extracción en Python para transformar información exógena tributaria en PDF en datos estructurados, eliminando horas de trabajo manual.

En mi trabajo en una firma que gestiona las obligaciones tributarias de más de 300 empresas cliente, me enfrenté a un problema común en el sector contable colombiano: la información exógena (reportes tributarios como IVA, ReteICA, Renta y RUT) llega desde los portales de la DIAN y entidades distritales exclusivamente en formato PDF — no estructurado y prácticamente imposible de cruzar o analizar a escala.

El problema

Cada declaración —Formulario 300 de IVA, Formulario 331 de ReteICA, Formulario 110 de Renta, RUT— llega como un PDF generado directamente por los portales oficiales. Sin una estructura de datos consultable, no había forma de comparar períodos, detectar inconsistencias entre declaraciones o generar reportes consolidados sin abrir manualmente decenas de archivos por cliente.

La solución

Junto con mi equipo, diseñamos una solución en dos etapas:
  1. Clasificador: un script en Python que identifica automáticamente a cuál de los 12 formatos de información exógena corresponde cada PDF recibido.
  1. Extracción: según el tipo detectado, se ejecuta el script correspondiente (Python + Pandas), que parsea el documento y consolida los datos.

Resultado

Lo que antes tomaba horas de trabajo manual, ahora se procesa de forma automática y consistente, reduciendo errores de transcripción y liberando tiempo del equipo para el análisis en lugar de la digitación.

Aprendizaje clave

Separar el clasificador del extractor fue una decisión de diseño importante: permite mantener y ampliar cada formato de forma independiente, sin tocar la lógica de clasificación cuando aparece un nuevo tipo de reporte.

Próximos pasos

Estamos evaluando migrar el destino final de estos datos desde Excel hacia una base de datos relacional, para resolver problemas de concurrencia cuando varias personas procesan información al mismo tiempo.
Any opinions in this article are those of the individual author and may not reflect the opinions of AWS.
Enjoyed reading this content? Let the author know!

Your likes, comments, shares, and saves help creators reach more builders.

Loading recommendations

Loading article