Agent Skills
返回列表
上市公司年报数据提取 Excel

上市公司年报数据提取 Excel

数据分析 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_2cf13331/financial-pdf-etl。

技能介绍

要解决什么问题

研究团队或财务分析人员手头往往是一整目录的上市公司年报、半年报 PDF,而不是已经对齐科目、可横向比对的表格。手工从 PDF 复制粘贴到 Excel,不仅慢,还容易把本期/上期列、续表分页、分部收入成本搞乱;样本一多,增量更新(新挂牌公司、替换更正版 PDF)更是噩梦。

本技能围绕一条本地 ETL 管道:你只给 PDF 目录(--src) 和 输出根目录(--out),脚本扫描目录中的 PDF(公司名单不写死),批量产出可分析的结构化结果,全程不调用大模型、不消耗 token。

技能如何工作

核心流程可以概括为:结构化抽取 → 表级清洗与勾稽 → 多格式落盘。

  • 输入扫描与增量:按 PDF 内容哈希去重;新增 PDF 自动纳入,移除 PDF 会清理对应产物(含改名遗留的孤儿输出)。
  • 财务主表:生成跨公司可比的 financials_long.csv,以及分行业/产品/地区的 segments_long.csv。
  • 单公司交付物:每份 PDF 对应一套 Excel(含 4 张目标表 + 核对 sheet)、各表 CSV、全文 Markdown、MD&A 文本、原始 JSON。
  • 鲁棒抽取:表头缺失时用 detect_period_cols 按列数值密度定位本期/上期列;主路径失败时用 PyMuPDF 补抽;续表合并时以含报表签名行标签的表为准,避免附注明细表污染;分部表脏数据可文本法回退。
  • 校验:输出勾稽核对报告,覆盖资产负债表恒等式、利润表勾稽等;表缺失或不平会标记 FAIL 并触发补救路径。

常用参数包括 --force(全量重跑)、--only(试点单公司)、--rebuild(仅从 _parts 重建长表)、--list(只列清单与增量状态)、--reuse-cache(复用 raw_json/markdown,改逻辑后最快重跑)。

适用边界与注意点

  • 环境:Python 3.9+,且 Java 11+ 必须在 PATH(供 PDF 结构化抽取);依赖含 langchain-opendataloader-pdf、pymupdf、pandas、openpyxl。
  • 定位:面向批量本地化转换与核对,不是交互式问答式「读懂年报」;复杂附注版式极端异常时仍可能 FAIL,需结合核对报告与 --only 试点排查。
  • 输出目录:若 --out 在 Synology Drive 等同步盘上,转换前宜暂停同步;脚本含预检与安全写入重试,日志镜像到 输出目录/_INDEX/logs/。

使用场景

  • 覆盖三十多家 A 股公司后,需要把新一季 drop 进 `--src` 目录,只重跑新增 PDF 并更新跨公司 `financials_long.csv`
  • 拿到交易所披露的半年报 PDF 包,要在本机批量生成每公司 Excel 四张目标表和各表 CSV,供后续建模脚本读取
  • 抽取结果存疑时,要跑勾稽核对报告,核对资产负债表恒等式与利润表勾稽是否通过
  • 只改了 `scripts/etl_financials.py` 的列映射逻辑,希望用 `--reuse-cache --force` 复用 raw_json 快速全量重算输出

适合人员

  • 做行业可比分析的卖方研究员,需要把多公司年报 PDF 落成统一长表 CSV 再导入研究数据库
  • 私募基金基本面分析师,定期增量更新持仓公司的年报/半年报,并要求每张表有核对 sheet 与 FAIL 标记便于人工复核
  • 数据工程同学维护本地财报仓库,负责清理移除 PDF 后的孤儿产物并镜像 `_INDEX/logs` 排查抽取失败
  • 量化团队中的报表清洗维护者,在改版抽取规则后要用 `--only` 试点单公司再全量 `--reuse-cache` 重跑