No puedo encontrar como ajustar mi regex, necesito capturar ciertos datos de unos usuarios después de escanear un pdf con python, para después pasarlos a un form. Pero el texto en que vienen los datos siempre varia mucho, errores de ortografía, caracteres random, etc. Es una locura lo mal que envían esos datos, quería saber como puedo hacer para mejorar el código o donde aprender para resolver esto. Una de las soluciones que tuve fue escribir varios regex adaptando a lo que pasaba pero no siempre funciona abajo ejemplos. El código esta escrito en Python.
r'(ACORDADO CON)\s_+([\w\s]+)[\s_]*(CUIL|CUIT)\s*[(_]*([\d]+)[)_]*\s*MEDIANTE TRANSFERENCIA BANCARIA EN\s*\$?[\s_]*([\d.,]+)\s*-?\.?'
r'(ACORDADO CON\s*([A-Z\s,]+)\s*(CUIL|CUIT)\s*(\d+[\d\-]*)')
r'(ACORDADO CON)\s_*([\w\s]+)[\s_]*(CUI|CUIT|CUIL)\s*([\d]+)[)_]*\s*MEDIANTE TRANSFERENCIA BANCARIA EN\s*\$?[\s_]*([\d.,]+)\s*-?\.?'
Con este regex lo que hago es extraer el nombre pongamosle "Usuario", Documento y un monto de dinero acordado, ahora les paso a mostrar como vienen estos datos aveces.
ACORDADO CON Fulanito ROLANDO - CUIL 20XXXXXXXX MEDIANTE TRANSFERENCIA BANCARIA EN $1.400.000-
ACORDADO CON _PAXXXXX LUXXXX ANDRES CUIL20XXXXXXXX MEDIANTE TRANSFERENCIA BANCARIA EN $362.500.-
ACORDADO CON- MENGANO _ROLANDO CUI20XXXXXX MEDIANTE TRANSFERENCIA BANCARIA EN.- $303.123,2-.-
Estos fueron unos ejemplos de tantos de como varia como viene escrita la información, aveces pueden venir con muchos mas errores y el algoritmo no los detecta y después tengo que pasarlos a mano.
El formato correcto de la extracción seria este eso implica ignorar todos los errores que tenga el texto:
MENGANITO TROLENCIO 20XXXXXX $50.0000