Python解析年报PDF：财务数据提取与指标计算全流程-北京尧图网络

最近关于万邦医药年报的讨论热度不低“机构抢筹”这个说法让不少人对年报里的财务数据产生了兴趣。但我这篇文章不是荐股而是把问题换一个角度与其到处找解读、看二手结论不如自己写一套 Python 解析流程把年报 PDF 抓下来把关键财务数据自动提取出来自己算一遍。这套流程不是某个需要下载的软件而是一条可复用的技术方案。它解决的核心问题是上市公司年报动辄一两百页纯手工翻找关键财务指标效率低还容易漏数据而用程序解析文本、表格、批量处理多份年报能把几小时的工作压缩到几分钟。硬件门槛很低普通办公电脑就能跑只有处理扫描版年报用到 OCR 时才对 GPU 有一定要求。本文会从环境准备、年报获取、PDF 解析、财务指标计算、机构持仓数据提取、批量任务、性能观察和排错思路几个方面完整演示一遍。适合三类读者想对上市公司做基本面数据复核的投资者需要批量整理财报数据的分析岗位以及正在学习 Python 数据处理的开发者。先明确一点机构抢筹是市场交易行为的统计结果不是在某个报表里写死的固定指标我们真正能通过程序获得的是支撑这个结果的财务底料。1. 核心能力速览能力项说明任务类型上市公司年报 PDF 解析、财务指标提取、批量数据处理技术栈Python、pdfplumber、pandas、matplotlib扫描版可加 PaddleOCR数据来源巨潮资讯网、上交所、深交所公开披露的年报公告运行环境Windows / macOS / Linux 均可Python 3.9 及以上硬件需求文本型 PDF 解析普通 CPU 即可扫描版 OCR 建议 8G 以上内存核心功能年报文本提取、财务报表表格解析、关键财务指标计算、机构股东数据提取输出结果CSV / Excel 汇总表、可视化图表批量能力支持目录批量解析多份年报自动汇总适用场景个股基本面初筛、行业财务对比、财报复核、数据分析教学这套方案没有专有 API也没有封闭的运行环境数据全来自公开披露信息所以只要目标网站能正常访问下载公告流程就能跑通。2. 适用场景与使用边界2.1 适合做什么个人研究用程序把年报里“营业收入、净利润、毛利率、ROE、经营现金流、资产负债率”等关键字段批量提取出来做纵向对比。财务复核同一家公司不同年份的年报放在一起程序自动算增速避免手工公式错误。行业对比同行业多家公司年报统一解析生成横向对比表观察成长性和盈利能力的差异。批量整理研究团队需要汇总几十家公司年报数据时用脚本代替人工录入。2.2 不适合做什么不适合做短线择时依据。年报是滞后数据报告期结束后几个月才披露完整内容。不适合自动交易信号。程序提取的是财务数据不包含市场情绪、流动性、消息面信息。不适合作为荐股逻辑。机构持仓变动是公开结果不是买入理由。2.3 使用边界与合规提醒严格使用公开披露的年报、公告和定期报告数据不涉及内幕信息。年报 PDF 的版权属于披露方解析结果仅限个人研究或内部数据处理不要批量抓取后二次发布原始内容。如果解析的是扫描版年报注意 OCR 识别结果仍需人工抽检。任何基于财务数据的判断都应声明不构成投资建议。3. 环境准备与前置条件3.1 安装 Python 与依赖建议使用 Python 3.9 以上版本。Windows 用户在安装 Python 时勾选 Add Python to PATH避免后续命令行找不到 Python。创建项目目录mkdir annual_report_analysis cd annual_report_analysis安装依赖库pip install pdfplumber pandas openpyxl matplotlib requests如果后续需要处理扫描版年报再加装 OCR 相关库pip install paddlepaddle paddleocrPaddleOCR 安装包较大首次运行还会下载模型文件这个步骤可以等确认当前年报是扫描版后再装不需要一开始就装。3.2 项目目录结构建议annual_report_analysis/ ├── data/ │ ├── pdf/ # 存放年报 PDF │ ├── extracted/ # 存放提取出的文本和表格 │ └── output/ # 存放指标计算后的结果文件 ├── scripts/ │ ├── extract_pdf.py │ ├── calculate_metrics.py │ └── batch_run.py └── requirements.txt先把目录建好mkdir -p data/pdf data/extracted data/output scripts3.3 验证安装python -c import pdfplumber, pandas; print(ok)能输出ok说明基础环境没问题。4. 年报数据获取公开渠道与下载方式4.1 公开数据源巨潮资讯网沪深上市公司定期报告官方披露平台。上交所官网沪市公司年报公告。深交所官网深市公司年报公告。年报文件通常以 PDF 格式发布文件名一般包含公司代码和年份例如600xxx_2023_年度报告.pdf。先从这些公开渠道手动下载目标公司的年报 PDF 放到data/pdf/目录是最稳妥的起步方式。如果你需要批量下载大量年报可以使用官方公告检索接口但必须注意访问频率、遵守目标网站访问规则。下面是一个通用模板真实环境中需要替换为实际公告页的请求参数import requests # 通用公告检索接口模板实际地址和参数以目标网站为准 url https://example.com/api/announcements params { stock_code: 600000, # 需要替换为目标公司代码 year: 2023, type: annual_report, } try: resp requests.get(url, paramsparams, timeout30) resp.raise_for_status() data resp.json() print(data) except Exception as e: print(请求失败:, e)注意不同网站接口差异很大直接照搬会失败。更稳妥的做法是先手动下载几份年报跑通解析流程再考虑写批量下载脚本。批量下载务必控制请求间隔避免给目标服务器带来压力。5. PDF 文本与表格解析年报分为两类文本型 PDF 和扫描版 PDF。文本型 PDF 可以直接提取字符扫描版 PDF 本质是图片需要 OCR。5.1 文本型 PDF 解析使用 pdfplumber 提取文本import pdfplumber from pathlib import Path pdf_path Path(data/pdf/万邦医药_2023_年度报告.pdf) output_text Path(data/extracted/annual_report_2023.txt) with pdfplumber.open(pdf_path) as pdf: page_count len(pdf.pages) with output_text.open(w, encodingutf-8) as f: for i, page in enumerate(pdf.pages, start1): text page.extract_text() if text: f.write(f 第 {i} 页 \n) f.write(text) f.write(\n) print(f解析完成共 {page_count} 页输出到 {output_text})判断成功的标准输出文本文件里有完整段落、财务数据能搜索到“营业收入”“净利润”等关键词。如果文本为空或乱码说明该 PDF 可能是扫描版需要走 OCR 流程。5.2 财务报表表格提取年报中利润表、资产负债表、现金流量表通常以表格形式存在。pdfplumber 可以提取表格import pdfplumber pdf_path data/pdf/万邦医药_2023_年度报告.pdf with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages, start1): tables page.extract_tables() for table_index, table in enumerate(tables, start1): print(f第 {i} 页第 {table_index} 张表) for row in table: print(row)实际使用时建议把表格转换成 pandas DataFrameimport pdfplumber import pandas as pd rows [] with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: tables page.extract_tables() for table in tables: for row in table: rows.append(row) df pd.DataFrame(rows) df.to_csv(data/extracted/tables_raw.csv, indexFalse, encodingutf-8-sig) print(表格已保存)关键点年报表格经常存在跨页、合并单元格、行首行尾缺失等问题提取后不能直接当作最终结果必须回看到原文页核对。5.3 扫描版年报 OCR 解析扫描版 PDF 用 pdfplumber 提取不到文本需要转成图片后走 OCR。这里以 PaddleOCR 为例import pdfplumber from paddleocr import PaddleOCR from PIL import Image import io ocr PaddleOCR(use_angle_clsTrue, langch) pdf_path data/pdf/扫描版年报.pdf with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages, start1): # 将 PDF 页面渲染为图片 img page.to_image(resolution150).original img.save(fdata/extracted/page_{i}.png) result ocr.ocr(str(fdata/extracted/page_{i}.png), clsTrue) print(f第 {i} 页 OCR 完成)OCR 会比文本提取慢很多识别准确率也受原始扫描质量影响。建议优先下载清晰度高的文本型年报。PaddleOCR 可以切换到 CPU 模式也可以使用 GPU 加速取决于本机环境。6. 关键财务指标计算与分析这里我们算三个维度的关键数据成长性、盈利能力和财务安全。每个维度选一个代表性指标做纵向对比。6.1 指标定义维度指标计算公式成长性营业收入增长率本期营收 - 上期营收 / 上期营收盈利能力净资产收益率 ROE净利润 / 平均净资产财务安全资产负债率总负债 / 总资产理论上还要看经营现金流与净利润的匹配度现金流可以单独列出对比。6.2 手工整理指标数据程序解析表格之后把指标整理成结构化数据。下面用一份模拟数据演示计算流程——请把下面的数值换成你在真实年报中提取到的数据import pandas as pd data { 年份: [2021, 2022, 2023], 营业收入: [10.0, 12.5, 15.8], # 模拟数据单位亿元净利润: [1.2, 1.5, 2.0], 总资产: [20.0, 23.0, 28.0], 总负债: [6.0, 7.5, 9.0], 净资产: [14.0, 15.5, 19.0], } df pd.DataFrame(data) df[营收增长率] df[营业收入].pct_change() * 100 df[ROE] df[净利润] / df[净资产] * 100 df[资产负债率] df[总负债] / df[总资产] * 100 print(df.to_string(indexFalse))6.3 结果导出df.to_excel(data/output/关键指标.xlsx, indexFalse, sheet_name财务指标)注意pct_change()对第一年会计算出NaN这是正常的因为没有上一期数据比较。6.4 可视化import matplotlib.pyplot as plt fig, axes plt.subplots(1, 3, figsize(14, 4)) axes[0].plot(df[年份], df[营收增长率], markero) axes[0].set_title(营业收入增长率) axes[1].plot(df[年份], df[ROE], markero) axes[1].set_title(ROE) axes[2].plot(df[年份], df[资产负债率], markero) axes[2].set_title(资产负债率) plt.tight_layout() plt.savefig(data/output/财务指标趋势.png, dpi150) print(图表已保存)判断财务质量的逻辑要明确ROE 持续提升、营收增长稳定、资产负债率不过高通常代表公司基本面较稳健但估值是否合理还需结合行业、市场和公司具体业务判断程序不算估值。7. 机构持仓数据解析可选7.1 数据来源与口径年报中会披露“前十名股东持股情况”“前十名无限售条件股东持股情况”这些是公开信息。机构增持或减持的结论一般来自对这些数据做报告期对比。需要注意的是年报披露的股东数据是一个时间点的快照比如“报告期末”不代表最新动态。7.2 从年报 PDF 中定位股东表格继续用 pdfplumber 查找包含“股东”关键词的页面import pdfplumber pdf_path data/pdf/万邦医药_2023_年度报告.pdf keyword 前十名股东 with pdfplumber.open(pdf_path) as pdf: for i, page in enumerate(pdf.pages, start1): text page.extract_text() if text and keyword in text: print(f第 {i} 页出现关键词{keyword})找到对应页数后可以手动查看那一页的表格再用page.extract_tables()提取。股东表格解析的难点在于同一表格可能跨两页需要做表头合并。7.3 公开数据接口调用模板很多行情软件或财经网站的 F10 数据页会提供机构持仓查询接口但这些接口属于第三方服务地址和参数经常变动不适合给出固定链接。下面是通用调用模板真实环境必须替换为实际可用的接口地址import requests # 通用模板实际接口地址请以目标数据服务商提供的为准 url https://example.com/api/holder_changes params { stock_code: 000000, # 需要替换 report_date: 2023-12-31 } resp requests.get(url, paramsparams, timeout30) if resp.status_code 200: print(resp.json()) else: print(请求失败HTTP 状态码, resp.status_code)特别提醒数据接口返回的内容不等于年报原文如果要写正式的分析报告必须回看原始公告核对。另外机构增持和减持是已经发生的公开结果不能作为未来股价涨跌的依据。8. 批量任务与自动化8.1 批量解析多份年报把多份年报 PDF 放在data/pdf/目录下脚本遍历所有 PDF提取文本和表格import pdfplumber import pandas as pd from pathlib import Path pdf_dir Path(data/pdf) all_rows [] for pdf_path in pdf_dir.glob(*.pdf): print(正在处理, pdf_path.name) try: with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: tables page.extract_tables() for table in tables: for row in table: all_rows.append({ file: pdf_path.name, row: row }) except Exception as e: print(f处理失败: {pdf_path.name}, 错误: {e}) df pd.DataFrame(all_rows) df.to_csv(data/output/all_tables.csv, indexFalse, encodingutf-8-sig) print(批量解析完成共收集, len(all_rows), 行表格数据)8.2 批量提取指定字段更高效的方式是只提取“营业收入”“净利润”等关键行。可以先提取文本再按关键词过滤import pdfplumber import re from pathlib import Path keywords [营业收入, 净利润, 归属于上市公司股东的净利润] results [] for pdf_path in Path(data/pdf).glob(*.pdf): with pdfplumber.open(pdf_path) as pdf: for page in pdf.pages: text page.extract_text() if not text: continue for line in text.split(\n): for kw in keywords: if kw in line: results.append({ file: pdf_path.name, page: page.page_number, keyword: kw, line: line.strip() }) for item in results: print(item[file], 第, item[page], 页, item[line])这种做法不要求详细的表格结构适合快速摸底。8.3 失败重试与日志批量任务建议加日志。简单做法是把失败信息写入一个error.log文件import logging logging.basicConfig( filenamedata/output/error.log, levellogging.ERROR, format%(asctime)s - %(levelname)s - %(message)s ) try: with pdfplumber.open(pdf_path) as pdf: pass except Exception as e: logging.error(f{pdf_path.name} 解析失败: {e})多文件处理时建议每个文件独立处理单个失败不要中断整个任务。9. 资源占用与性能观察9.1 文本型 PDF 解析性能文本型 PDF 解析主要消耗 CPU内存占用通常不大。以一份 200 页左右的年报为例用 pdfplumber 逐页提取文本普通笔记本 CPU 通常几十秒到两三分钟能完成。批量处理时逐份文件读取和释放避免一次性加载所有 PDF 到内存。9.2 OCR 场景资源占用扫描版年报 OCR 是资源大头。PaddleOCR 在 CPU 模式下速度较慢模型首次运行需要下载占用磁盘空间。如果显存充足可以启用 GPU 加速显存不够时强制使用 CPU 模式或者降低图片渲染分辨率# 降低渲染分辨率减少内存压力 img page.to_image(resolution150).original分辨率和识别准确率是平衡关系150 DPI是常用起步值识别效果差再逐步提高到 200、300不要一开始就用最高分辨率。9.3 如何降低资源占用批量处理时用生成器或逐文件读取不要把所有文件一次性读入列表。只提取需要的页数和关键词避免全文逐页 OCR。结果定期写入文件防止中途宕机丢失数据。长时间批量任务分批次运行而不是单脚本无限循环。观察性能可以用任务管理器Windows或topLinux/macOS重点看 Python 进程的 CPU 和内存占用。第一次跑通流程后再决定要不要优化速度。10. 常见问题与排查方法问题现象可能原因排查方式解决方案解析出来文本为空PDF 是扫描版或加密用 PDF 阅读器打开看是否可选中文字走 OCR 流程或寻找文本版年报中文乱码编码问题或提取方式不对查看输出文件的编码设置统一使用 UTF-8 写入检查 PDF 自带字体表格数据错行表格跨页或合并单元格读取表格前后页数据手工拼接跨页表格或用关键词定位再清洗OCR 识别率低扫描质量差或分辨率太低检查原图清晰度提高渲染分辨率或下载文本版 PDF接口请求失败第三方接口调整或封禁 IP检查 HTTP 状态码和返回内容改用官方公告下载控制访问频率pandas 计算出现 NaN数据缺失或 pct_change 首行检查原始数据是否完整用 fillna 处理或单独处理首行批量处理内存暴涨一次性读取大量文件观察任务管理器内存占用逐文件处理处理完释放变量数据对不上公告原文表格解析时有合并单元格回看 PDF 原始页面人工修正对应行遇到问题优先看三样东西原始 PDF 页面长什么样、程序输出到底缺了什么、报错日志具体指向哪一行代码。年报格式每年每家公司都可能不同没有一套代码能通吃所有情况保留“程序输出人工抽检”的流程更可靠。11. 最佳实践与合规提醒第一次跑通流程只处理一份年报确认输出正常后再铺开到批量任务。原始 PDF、提取文本、计算结果三个目录严格分开避免覆盖原始文件。每个输出结果都要保留来源标记例如文件名称页码方便回溯核对。批量任务必须加日志和失败计数不要静默失败。如果要把年报解析结果用于自动下载脚本请求频率要低且只用于个人研究等合理用途。年报数据是滞后数据程序解析出的财务指标只能支撑基本面纵向对比不构成投资建议。机构持仓数据是报告期快照不代表当前真实持仓更不应作为短线交易信号。涉及公开年报内容的二次加工和传播时注意数据版权不要大批量转发原始文件内容。这里的核心工程思路是把程序当辅助工具把人工核验当最终把关。12. 总结与下一步这套流程最有价值的地方在于把“机构抢筹”这个热度话题分解成可以验证的数据问题。年报里的营业收入、净利润、ROE、资产负债率、经营现金流这些指标完全可以用 Python 自动提取并计算不需要手工抄表。你不需要迷信任何二手解读自己把数据跑出来至少能获得一个独立的判断基础。建议第一步先做最小的验证下载一份万邦医药最新的年报 PDF用 pdfplumber 提取文本搜索“营业收入”和“净利润”两个关键词看看能不能定位到数据位置。跑通这一步之后再扩展表格提取、财务指标计算、股东数据解析和批量任务。最容易踩的坑有三个第一扫描版 PDF 没有文本层直接提取会得到空内容第二年报中的表格经常跨页解析后需要人工核对第三第三方 F10 接口随时可能变化不能依赖固定接口长期运行。后续可以考虑扩展的方向把多年年报合并分析从营业收入增长率、ROE、资产负债率三个维度生成趋势图把同行业多家公司的指标做横向对比把提取结果接入自动化报告模板定期更新输出 Excel 表。如果做得更深入可以把 OCR 流程也标准化处理历史扫描版年报把数据一直追溯到更早年份。

Python解析年报PDF：财务数据提取与指标计算全流程

相关推荐

大厂前端面试全流程复盘：备考规划、高频考点与实战经验

Excel SUBTOTAL函数：智能处理筛选与隐藏数据的动态计算神器

字节跳动后端面试复盘：Java并发、MySQL与系统设计核心考点

更多资讯

北街低压电工作业考试真题与备考技巧，真实经历告诉你怎么应对工地太忙

北街低压电工作业郑州报考避坑指南：别让中介坑了你

北碚考电工证地址有效期多久电子证书如何查询和使用

威宁考低压电工证怎么避开郑州报考避坑指南，别怕考不过白交培训费

工地太忙根本没时间复习考试？网上挂高级电工证通过率揭秘

河间市报考电工证过期怎么处理？郑州报考避坑指南来了

今日更新

电工证考试及格线你知道多少？值不值得考

南通电工证发证单位考前押题怎么搞？工地太忙根本没时间复习考试

黄陵县高低压电工证怎么考？上岗必备全流程避坑指南

本周精选

安监局电工证分数查询怎么查才能知道含金量高不高

新疆电工作业干活累吗良心建议助你避开考不过的坑

中牟县电工证怎么报名外省证能转吗

本月热门

面向复杂光照与角度的宠物面部识别鲁棒性增强策略

基于DRV8818与STM32的双极步进电机驱动方案实战解析

DRV8818PWPR+PIC18F45K80双极步进电机控制方案实战

读完文章，想聊聊您的网站？