财务分析数据采集流水线#

LibraQuant 财务分析数据采集流水线包含 2 个核心技能，提供从数据源获取到结构化提取的完整解决方案。

---

技能总览#

类别数量功能范围数据采集1从巨潮资讯网下载A股年报PDF数据提取1从PDF中提取结构化财务数据

---

一、数据采集 (1 Skill)#

巨潮资讯年报下载#

Skill用途数据来源cninfo-report-download从巨潮资讯网下载A股年报PDFcninfo.com.cn

功能说明：

• 支持按公司名称和年份精确搜索年报
• 自动识别上交所/深交所
• 智能筛选正确版本（排除摘要、更正、英文版）
• 自动清理文件名中的HTML标签和非法字符

---

二、数据提取 (1 Skill)#

财务报表数据提取#

Skill用途输出格式financial-statement-extraction从年报PDF提取结构化财务数据JSON

功能说明：

• AI智能定位财务报表页码（双层定位策略）
• 三层防线过滤母公司数据（页级/混合页/行级）
• 自动识别并统一单位（元/千元/万元/亿元）
• 内置勾稽关系校验（资产负债平衡、净利率合理性）
• 支持资产负债表、利润表、现金流量表提取

---

三、使用流程#

标准使用流程（推荐）#

text

┌─────────────────────────┐
│  cninfo-report-download │  ← 输入：公司名称 + 年份
│  巨潮资讯年报下载        │     输出：PDF文件路径
└───────────┬─────────────┘
            │
            ▼
┌─────────────────────────┐
│ financial-statement-    │  ← 输入：PDF文件路径
│ extraction              │     输出：JSON结构化数据
│ 财务报表数据提取         │
└─────────────────────────┘

使用示例#

示例1：单公司年报分析

1. cninfo-report-download — 下载"海天味业"2024年年报
2. financial-statement-extraction — 提取财务数据
3. 下游分析技能（如DCF估值、财务比率分析）

示例2：批量数据收集

1. 循环调用 cninfo-report-download — 下载多家公司年报
2. 循环调用 financial-statement-extraction — 批量提取数据
3. 构建财务数据库或进行横向对比分析

---

四、输入输出规范#

cninfo-report-download#

输入：

参数类型必填说明company_namestr✅公司简称（如"海天味业"）yearint✅年报年份（如2024）output_dirstr可选下载目录，默认 workspace/reports/

输出：

• 成功：PDF文件路径（str）
• 失败：None

financial-statement-extraction#

输入：

参数类型必填说明pdf_pathstr✅年报PDF文件路径output_dirstr可选输出目录extract_notesbool可选是否提取附注（v2.1+）

输出：JSON格式结构化数据

json

{
  "meta": { "company": "公司名", "stock_code": "代码", ... },
  "balance_sheet": { "资产总计": 82.37, ... },
  "income_statement": { "营业收入": 55.19, ... },
  "cashflow_statement": { "经营活动现金流净额": 10.88, ... },
  "validation": { "balance_check": {...}, ... }
}

---

五、数据质量保障#

校验机制#

校验项规则处理方式资产负债表平衡资产 = 负债 + 权益差异>1%触发降级重提取净利率合理性净利率 > 100% 可能混入母公司数据自动触发降级重提取数据完整性检查关键科目是否存在缺失时警告母公司数据过滤三层防线确保只提取合并报表页级/混合页/行级过滤

已验证的数据源#

公司代码交易所年份状态海天味业603288SSE2024✅千禾味业603027SSE2024✅中炬高新600872SSE2024✅甘源食品002991SZSE2024✅

---

六、已知限制#

限制说明解决方案仅支持A股不支持港股、美股v2.0规划多市场仅支持年报半年报/季报需修改参数v1.2规划支持扫描件不支持需要可复制文本PDFv3.0规划OCR英文财报不支持科目映射表仅覆盖中文v2.2规划英文附注不提取当前版本仅提取主表v2.1规划附注

---

七、迭代路线#

text

v1.1（当前）
    ↓
v1.2（支持半年报/季报）
    ↓
v1.3（本地缓存+断点续传）
    ↓
v2.0（批量下载+多线程+港股支持）
    ↓
v2.1（附注提取+上期数据）
    ↓
v2.2（英文财报支持）
    ↓
v3.0（OCR扫描件支持）

---

八、工具文件#

• src/tools/download_cninfo.py — 年报下载主逻辑
• src/tools/extract_pdf_tables.py — 财务数据提取主逻辑
• src/tools/ai_page_locator.py — AI页码定位
• src/data/company_codes.py — 公司代码映射表

---

九、使用建议#

最佳实践#

1. 先验证单公司 — 首次使用先用1-2家公司验证提取质量
2. 检查validation字段 — 务必确认勾稽校验通过
3. 处理异常情况 — 扫描件、加密PDF会报错，需人工处理
4. 批量下载时间 — 建议添加延迟，避免触发巨潮限流

常见问题#

• Q: 为什么提取的数据和报表对不上？

  A: 可能是母公司数据混入，检查validation字段，必要时重试。

• Q: 下载失败怎么办？

  A: 检查公司名称是否正确，或尝试用股票代码搜索。

• Q: 支持哪些行业？

  A: 通用制造业支持最好，银行/保险/证券等特殊行业可能需额外处理。

---

LibraQuant Financial Analysis Pipeline 数据采集到结构化提取的完整解决方案