Estratti e versioni: quando due PDF sono quasi lo stesso
Il nome del file mente spesso. L’impronta e il testo molto meno. Ecco come si confrontano due documenti e perché la decisione finale resta a te.
Copie esatte: l’impronta del file
Una copia esatta è lo stesso file scaricato due volte. Lo script calcola per ogni PDF un’impronta, una stringa corta che cambia del tutto se nel file cambia anche un solo carattere. Due PDF con la stessa impronta sono identici: uno resta come principale, l’altro finisce nel rapporto come copia.
Versioni: la somiglianza del testo
Le versioni sono un’altra cosa: l’estratto e la sua rettifica, il contratto e il suo aggiornamento. Dal PDF si estrae il testo, lo si spezza in gruppi di cinque parole e si conta quanti gruppi hanno in comune due documenti. Sopra il 90% di solito è lo stesso documento in due versioni, tra il 70 e il 90 un aggiornamento o un modello riusato.
Un pezzo del rapporto del pomeriggio
«estratto_titoli_T3.pdf» e «Estratto titoli terzo trimestre (1).pdf» sono identici: il secondo l’ha creato il browser scaricando due volte. Se ne tiene uno.
Quasi tutto il testo coincide, ma la banca ha aggiunto un movimento dimenticato. L’assistente te lo indica. Da quel momento la rettifica diventa il documento principale e l’originale resta collegato a lei, non buttato.
Somiglia molto al vecchio, ma vale dal giorno della firma: si tengono entrambi.
Il testo non si legge. Prima si raddrizza, poi si confronta.
I casi evidenziati finiscono nella lista «da guardare». Lo script non sposta e non cancella niente: segna nell’archivio quale file consideri principale e quale è una copia o una versione.
Perché farlo prima di qualunque analisi
Se un giorno vuoi far leggere i tuoi estratti a un assistente di intelligenza artificiale, per un riepilogo o per un grafico, l’assistente prende per buono tutto quello che trova. Un estratto contato due volte raddoppia movimenti che non ci sono stati. L’archivio pulito serve proprio a questo: dare a qualsiasi strumento un solo documento per ogni periodo.
Dove sbaglia
- PDF scansionati storti: il testo esce sporco e la percentuale scende anche quando i documenti sono identici. Vanno convertiti prima, possibilmente dritti e a 300 punti per pollice.
- Modelli uguali per tutti, come le comunicazioni standard della banca.
- Allegati con tabelle lunghe.