今天给大家分享一个上市公司年报章节拆分工具，可以用于提取上市公司年报中的文本内容，例如“管理层讨论与分析”、“董事会报告”、“监事会报告”等内容。该工具是基于 workbuddy 软件使用 600 份上市公司年报 pdf 文件训练开发得到的。
制作流程是这样的：
首先我从全部上市公司年报（大约 6 万份）里面随机抽取了 600 份，把这些 pdf 存放到项目文件夹里面，然后对 workbuddy 提出如下任务：
“附件中的 pdfs 里面存放了 600 份上市公司年报，编写 Python 程序对这些年报进行文本提取和章节拆分，可以参考目录部分确认要拆分的章节。”
经过反复的测试和纠错最终形成了初始程序。
然后对 workbuddy 提出如下任务：
“把该程序打包成 MacOS app（因为我的电脑是 Mac 系统）”
然后我就获得了这个应用：
调试中，我还给该应用增加了批量处理某个文件夹里所有 pdf 的功能，包括子文件夹里面的。如果要处理的文件数量很多，还会自动使用多线程。
下面就是用该应用处理全部的 pdf 文本了（大概 6 万多个，可能需要耗费一天到数天）。
批量处理的文件会保存到一个选定的文件夹里面，最终会得到一堆这样的文件：
注意这里不要点击文件夹选择路径，而是需要把完整的文件夹路径直接复制到框里面。
然后后面的功能还是可以继续交给 workbuddy：
“分析 xx json 文件夹里面没有解析成功的，然后根据原始 pdf（也要提供路径）分析原因并改进程序。”
然后也是需要经过多次调试，最终就可以获得功能基本完善的上市公司年报章节拆分工具了。
在附件中我提供了 ARM64 和 Intel 两个版本编译好的 MacOS app，大家如果使用 Mac 的话可以直接打开把里面的 app 文件移动到应用程序里面就可以使用了。
使用 Windows 的小伙伴也不必失望，由于没有 Windows 电脑编译，所以我在附件中也准备好了 Windows 用户编译需要的文件，也就是 “windows_build” 文件夹，大家也可以使用 workbuddy 进行自动编译，这样就可以获得一个 exe 文件了。
点击这里跳转到 RStata 短书平台获取附件：上市公司年报章节拆分工具
评论