2006～2025 年上市公司社会责任报告 PDF 及 txt 文本数据

959 字 约 4 分钟 数据资料 上市公司文本数据

今天给大家分享一份 2006～2025 年的上市公司社会责任报告 PDF 及 txt 文本数据，爬取自巨潮资讯网。

数据来源与处理方法

本数据从巨潮资讯网（cninfo.com.cn）的公告全文检索功能批量爬取。处理流程如下：

第一步：爬取上市公司列表与报告元信息

首先从巨潮资讯获取全部 A 股上市公司代码列表，再逐家公司检索关键词「社会责任」的历史公告，提取每份报告的证券代码、公司名称、公告标题和附件下载链接：

library(tidyverse)

# 爬取全部上市公司列表
jsonlite::fromJSON("http://www.cninfo.com.cn/new/data/szse_stock.json") %>%
  .$stockList %>%
  as_tibble() -> codelist

# 循环所有公司，检索社会责任报告元信息
lapply(1:nrow(codelist), function(x){
    data = list(
      `pageNum` = "1",
      `pageSize` = "30",
      `stock` = paste0(codelist$code[x], ",", codelist$orgId[x]),
      `searchkey` = "社会责任",
      `seDate` = "2000-01-01~2026-03-31"
    )
    res <- httr::POST(url = "https://www.cninfo.com.cn/new/hisAnnouncement/query",
                      body = data, encode = "form")
    content(res)$announcements
}) -> tempres

第二步：过滤无关公告并批量下载 PDF

过滤掉摘要、英文版、制度类公告，只保留正文社会责任报告，然后批量下载 PDF 文件：

# 过滤无关公告
df2 %>%
  mutate(announcementTitle = str_remove_all(announcementTitle, "</?em>")) %>%
  filter(!str_detect(announcementTitle, "摘要|（英文版）|社会责任管理制度|社会责任制度")) -> df2

# 批量下载 PDF
lapply(1:nrow(df2), function(x){
  download.file(df2$url[x],
                destfile = paste0("esg-pdfs/", df2$secCode[x], "-",
                                  df2$secName[x], "-",
                                  str_remove_all(df2$announcementTitle[x], "/"), ".pdf"))
})

第三步：从 PDF 首页提取报告年份，按年份归类

利用 pdftools 包读取 PDF 全文，通过正则提取首页年份信息，将文件重命名后分别存入 pdf_by_year/ 和 txt_by_year/ 按年文件夹：

library(pdftools)
library(fs)
library(stringr)

pdf_files <- dir_ls("esg-pdfs", glob = "*.pdf")

for (pdf_path in pdf_files) {
  filename <- basename(pdf_path)
  # 按 - 分割取最后一段，提取4位年份
  parts    <- str_split(filename, "-", simplify = TRUE)
  year     <- str_extract(parts[length(parts)], "\\d{4}")
  if (is.na(year)) next

  # 复制 PDF 到年份文件夹
  file_copy(pdf_path, path("pdf_by_year", year, filename), overwrite = TRUE)

  # 提取文本并保存 TXT
  text <- pdf_text(pdf_path)
  writeLines(text, path("txt_by_year", year,
                         str_replace(filename, ".pdf", ".txt")))
}

最后用 writexl 统计各年份报告数量与文件夹大小，汇总为 2006～2025年上市公司社会责任报告数量.xlsx。

数据概览

本数据集共收录13,075 份上市公司社会责任报告，涵盖 2006 年至 2025 年，同步提供：

  • pdf_by_year/：原始 PDF 报告，按年份分文件夹存储，共 13,075 份
  • txt_by_year/：将 PDF 全文提取为 TXT 文本，按年份分文件夹存储，共 13,075 份
  • 2006～2025年上市公司社会责任报告数量.xlsx：各年份报告数量与文件夹大小统计表

数量分布如下图所示：

数据引用格式

由于该数据包含较多 RStata 处理的内容，在研究中使用该数据请使用清晰的方式注明数据来源于 RStata 或者 RStata 数据中心，并使用如下格式引用：

RStata 数据中心: 2006～2025年上市公司社会责任报告 PDF 及 txt 文本数据. 2026. https://tidyfriday.cn/rsdb2/

英文文献可以使用下面的格式引用：

RStata Data Center: PDF and TXT Text Data of CSR Reports from Listed Companies, 2006–2025. 2026. https://tidyfriday.cn/rsdb2/

关联课程/数据推荐

使用 R 语言爬取全部上市公司的年报数据：https://rstata.duanshu.com/#/course/6e8f8a1c6b2e4784974b1087fcbfc52c

2000～2024 年上市公司年报 PDF & TXT 文件合集：https://rstata.duanshu.com/#/course/05b850225f8344aa9d3b1a4127314f88

和讯网上市公司社会责任评分全部数据：https://rstata.duanshu.com/#/course/fd1d249448f94907a2e836ea0f180631

2018～2023 年上市公司ESG评级面板数据：https://rstata.duanshu.com/#/course/94186dd77d0f49ac8dc101ebcd5ded27

R 语言文本分析：https://rstata.duanshu.com/#/course/bf37cf50eef04d38b43541cc52114c96

使用 R 语言从 PDF 文档中提取表格：https://rstata.duanshu.com/#/course/f52eeb1f36e4400eb0b3e58d950371a5

点击这里跳转到 RStata 短书平台获取附件：2006～2025 年上市公司社会责任报告 PDF 及 txt 文本数据

相关文章

评论