财报数据结构化：非结构化财报文本解析、表格数据抽取、关键财务指标提取

做财报分析这么多年，我最大的感触就是——数据才是硬道理。但现实很骨感，你拿到的财报往往是PDF、图片甚至扫描件。这些非结构化数据，说白了就是一堆“死”信息，机器看不懂，人也难提取。怎么办？

这一章，我们就来聊聊怎么把这些“死”数据变“活”。我个人习惯把整个过程拆成三步：文本解析、表格抽取、指标提取。每一步都有坑，咱们一个一个踩过去。

一、非结构化财报文本解析

先说说文本解析。财报里的文字部分，比如“管理层讨论”、“风险提示”，这些内容虽然不像表格那么规整，但信息量巨大。我早期做项目时，直接拿正则去匹配，结果发现——根本行不通。为什么？因为财报的排版千奇百怪，有的用分号，有的用句号，有的甚至用空格当分隔符。

举个例子，我常用的工具是 pytesseract 配合 spaCy。代码大概长这样：

import pytesseract
from PIL import Image
import spacy

# 加载中文模型
nlp = spacy.load("zh_core_web_sm")

# OCR识别
img = Image.open("财报截图.png")
text = pytesseract.image_to_string(img, lang='chi_sim')

# NLP解析
doc = nlp(text)
for ent in doc.ents:
    print(ent.text, ent.label_)

嗯，这里要注意：OCR的准确率直接决定了后续分析的质量。我遇到过最坑的一次，是把“净利润”识别成了“净利闰”，结果指标全乱了。所以，我建议你在OCR之后，加一层拼写校正或者词典匹配。

二、表格数据抽取

表格是财报的“硬骨头”。利润表、资产负债表、现金流量表，这些表格结构复杂，有的跨行，有的跨列，有的甚至合并单元格。你想想看，如果直接按行读取，很容易把“营业收入”和“营业成本”搞混。

我个人习惯用 camelot 或 tabula-py 这类工具。它们专门针对PDF表格做了优化。举个例子：

import camelot

# 读取PDF中的表格
tables = camelot.read_pdf("财报.pdf", pages="1-3", flavor="lattice")
for table in tables:
    print(table.df)  # 输出DataFrame格式

这里有个关键点：flavor 参数。如果是带边框的表格，用 lattice；如果是无边框的，用 stream。我刚开始做的时候，总是默认用 lattice，结果遇到无边框表格就全乱了。后来才学会先看一眼表格样式，再选参数。

抽取完成后，我一般会转成结构化数据，比如CSV或JSON。这样后续的指标提取就方便多了。

三、关键财务指标提取

指标提取，说白了就是从结构化数据里“挖”出我们关心的数字。比如营收、净利润、毛利率、资产负债率等等。这些指标通常有固定的名称和位置，但不同财报的表述可能不一样。比如“营业收入”有的叫“主营业务收入”，有的叫“营收”。

我的做法是：建一个指标词典，把同义词都列进去。然后基于规则或正则去匹配。代码示例：

import re

# 指标词典
indicator_dict = {
    "营业收入": ["营业收入", "主营业务收入", "营收"],
    "净利润": ["净利润", "净利", "归属于母公司股东的净利润"],
    "毛利率": ["毛利率", "销售毛利率"]
}

def extract_indicator(text, indicator_name):
    patterns = indicator_dict[indicator_name]
    for pattern in patterns:
        match = re.search(rf"{pattern}[：:]\s*([\d,]+\.?\d*)", text)
        if match:
            return float(match.group(1).replace(",", ""))
    return None

你可能会问：如果财报里没有直接给出指标，比如毛利率需要自己算怎么办？嗯，这种情况很常见。我的做法是：先提取“营业收入”和“营业成本”，然后手动计算毛利率。说白了，就是多一步计算逻辑。

知识体系框架

为了让你更直观地理解整个流程，我画了一张图。这张图展示了从非结构化财报到结构化指标的完整链路：

这张图里，左边是非结构化财报，中间是解析和抽取两个并行路径，右边是最终的结构化指标。你想想看，如果没有中间这两步，我们只能手动去翻财报，效率低不说，还容易出错。

实践中的注意事项

最后，我总结几个实战中容易踩的坑：

• 编码问题：中文财报经常出现GBK、UTF-8混用的情况。我建议统一转成UTF-8，否则解析时会出现乱码。
• 表格合并：有些财报的表格是跨页的，比如“资产负债表”可能从第2页延续到第3页。抽取时要注意合并，否则数据会断。
• 指标单位：有的财报用“亿元”，有的用“万元”。提取后一定要统一单位，否则计算会出错。我习惯全部转成“元”。
• 异常值处理：财报里偶尔会出现“-”或“N/A”表示无数据。这些要提前过滤掉，否则会影响后续分析。

好了，这一章的内容就到这里。记住，数据结构化是财报分析的地基。地基不稳，后面的一切都是空中楼阁。