Cn Financial Notes Extraction

核心能力#

从巨潮资讯 (CNINFO) 下载的年报 PDF 中，精准定位并提取 财务报表附注 中的表格数据。

适用场景#

• CapEx 分析: 提取“在建工程”、“固定资产”、“无形资产”等附注中的本期增加/减少明细（MD&A 口径 vs 现金流表口径）。
• 风险排查: 提取应收账款账龄、坏账准备计提比例、商誉减值明细。
• 关联交易: 提取关联方往来余额、购销金额。
• 研发细分: 提取研发费用资本化/费用化明细。

工作流程 (Workflow)#

1. 下载: 通过 CNInfo API Scraper 或 East Money Announcement Downloader 下载最新年报 PDF。

2. 定位: 使用 pdfplumber (系统 Python 环境) 打开 PDF，全文检索关键字 财务报表附注。

3. 提取:

   • 从定位页开始，逐页扫描。
   • 提取表格 ( extract_tables())。
   • 智能过滤: 根据表头关键词（如 项目, 期末余额, 本期增加, 本期减少, 账面余额）筛选有效表格。
   • 忽略纯文本页或无意义的排版表。

4. 结构化: 将提取的数据转换为 Dict[List] 或 DataFrame 格式输出。

关键参数与代码逻辑#

python

import pdfplumber

def extract_notes(pdf_path, keywords=None):
    found_data = []
    with pdfplumber.open(pdf_path) as pdf:
        # 1. 定位附注起始页
        start_idx = 0
        for i, page in enumerate(pdf.pages):
            text = page.extract_text()
            if text and "财务报表附注" in text:
                start_idx = i
                break

        # 2. 扫描表格
        for i in range(start_idx, len(pdf.pages)):
            page = pdf.pages[i]
            tables = page.extract_tables()
            for table in tables:
                # 过滤空表或短表
                if len(table) > 3 and any(row[0] for row in table if row):
                    # 可选：如果指定了 keywords，检查表头是否匹配
                    if keywords:
                        headers = " ".join([str(c) for c in table[0] if c])
                        if any(kw in headers for kw in keywords):
                            found_data.append({"page": i+1, "table": table})
                    else:
                        found_data.append({"page": i+1, "table": table})
    return found_data

注意事项#

• 环境依赖: 使用宿主机的 python3 和 pdfplumber，不要在沙箱 (subagent) 中直接运行，除非确认安装了库。
• 表格合并: 跨页表格可能被拆分成两个，需逻辑合并（通过检查表头连续性）。
• 非标准排版: 极少数老旧年报可能是扫描版，需 OCR（如 MinerU 或 Tesseract），但目前 A 股年报大多为原生 PDF， pdfplumber 效果最佳。