← 返回动态
AI 洞察

从上市公司 PDF 到结构化数据 AI 到底做了什么?

真正困难的,不是读完一份公告而是稳定、准确、可追溯地提取关键事实一条可查询的数据,至少要经过公告检索、PDF

字竞未来11 分钟阅读
从上市公司 PDF 到结构化数据 AI 到底做了什么?
真正困难的,不是读完一份公告
而是稳定、准确、可追溯地提取关键事实

一条可查询的数据,至少要经过公告检索、PDF 下载、文本与表格解析、扫描件 OCR、按类型提取字段、数值标准化、结构化入库和异常降级。AI主要参与语义定位与摘要,不是一个提示词包办全部流程。

本文为"每日投资速递"产品设计的延伸科普,仅用于金融数据与信息系统科普,不构成投资建议。

● ● ●

一份 PDF 看起来能读,为什么系统却不一定能用?

投资者打开一份上市公司公告,通常只需要阅读标题、正文和表格,就能大致知道发生了什么。但对数据系统来说,"人能看懂"与"机器能稳定使用"是两回事。

一份业绩预告可能有十几页,核心信息只出现在其中一段;一份减持公告可能同时出现计划数量、已实施数量和剩余数量;一份股份回购公告可能在标题里写着"回购",正文却还要继续判断实施进度。更复杂的是,有的 PDF 可以直接提取文字,有的以表格为主,还有的根本没有文本层,只是一页页扫描图片。

所以,系统面对的并不是"一篇可以总结的文章",而是一连串不确定问题:公告找对了吗?文件能下载吗?正文能解析吗?字段出现在标题、表格还是正文里?同一个百分比代表计划值还是完成值?某个字段没有识别出来时,应该留空、重试,还是切换数据源?

在"每日投资速递"的方案中,增减持、股份回购和业绩预告都需要从公告 PDF 中提取关键字段。目标不是生成一段听起来顺畅的摘要,而是把公司名称、报告期间、变动类型、变动比例、实施状态、净利润同比等事实,转换成可以入库、排序、筛选和追溯的数据。


一

第一步不是"读 PDF",而是先找到正确的公告

很多人谈到"AI 读公告",第一反应是把一个 PDF 丢给模型。但在真实系统里,PDF 只是中间文件,前面还有一道非常重要的入口:公告检索。

当前方案先通过公告查询接口,按增持、减持、回购、业绩预告等类别筛选,拿到公告标题和 PDF 下载地址。只有先完成分类,后面的字段规则才知道应该提取什么。

例如,同样出现"增长"两个字,在业绩预告里可能对应净利润同比,在股东增持公告里则可能只是持股数量变化;同样出现"完成",在回购公告里代表实施完毕,在业绩预告中却未必是可用字段。公告类型一旦识别错误,后续提取即使语句通顺,数据也可能完全不可用。

公告标题本身还是第一批结构化信息的来源。公司名称、报告期间和公告类型,往往可以先从标题中提取;正文则负责补充比例、金额、状态和原因。也就是说,一条数据并不是只从 PDF 正文里"读"出来的,而是由标题、分类、正文和表格共同拼接完成。

入口原则 先确定公告类型,再调用对应字段规则。没有类型识别,就没有稳定的结构化提取。

二

同样是 PDF,系统看到的可能是三种完全不同的文件

公告进入下载环节后,系统首先要判断文件是否完整、是否可解析。方案为单个 PDF 设置了下载超时和三次重试机制,避免因为一次网络波动就直接丢失公告。

文件下载成功之后,第一种情况是普通文本型 PDF,它内部保留了文字层,可以直接提取全文;第二种情况是表格密集型 PDF,文字虽然存在,但行列关系容易在提取后错位,需要同时处理文本和表格;第三种情况是扫描件 PDF,页面看起来有文字,程序却提取不到任何字符,只能降级到 OCR。

在当前技术链路中,文本和表格优先由 pdfplumber 处理,PyMuPDF 作为备选;只有当 PDF 没有文本层时,才进入 PaddleOCR。这个顺序很重要:OCR能够识别扫描件,但也可能把数字、小数点、百分号或表格边界识别错,因此它更适合作为降级路径,而不是所有文件的默认入口。

即使提取到了文字,也还不能直接使用。PDF中的换行、页眉、页脚、表格拆行和多余空格,都会让一句完整表达被切成几段。系统需要先恢复相对连续的文本,再进入字段识别。


三

真正关键的是:按公告类型设计字段规则

把 PDF 全文提取出来,只完成了"把文件变成文字"。要进一步变成数据,还必须回答一个更具体的问题:这类公告到底需要哪些字段?

对于股东增持、股东减持和公司回购,系统重点提取公司名称、变动类型、变动比例和变动状态。其中,"计划中""进行中""已完成"不能混为一谈;如果公告只披露变动股数,没有直接给出占总股本比例,还需要提取总股本后再计算。

对于业绩预告,字段又完全不同。系统需要提取公司名称、报告期间、预告类型、净利润同比和公告摘要。预告类型还要区分预增、预盈、预亏、续亏和减亏,因为这些词表达的经营状态并不相同。

公告类型核心字段与主要识别位置股东增持 / 减持 / 公司回购公司名称、变动类型、变动比例、实施状态(标题 + PDF 正文)
易混淆:"计划中、进行中、已完成"不能混为一谈;只披露股数时还要结合总股本计算比例业绩预告公司名称、报告期间、预告类型、净利润同比、公告摘要(标题 + "本期业绩预计情况"等正文段落)
易混淆:预增、预盈、预亏、续亏、减亏含义不同;同比方向和区间值要统一处理

这也是为什么不能用一个"万能提示词"处理所有公告。结构化提取的核心,不是让模型自由发挥,而是先定义输出边界。


四

从一句话变成一个字段,中间还差"数据清洗"

公告正文里的数据,往往不是可以直接写进数据库的标准形式。

例如,"比上年同期增长35.60%"需要统一为带方向的百分比;"同比下降10%至20%"既包含区间,也包含负方向;"拟回购不低于5000万元、不超过1亿元"同时包含不同单位和上下限;"本次变动后占公司总股本的2.3%"则需要从长句中定位真正的比例。

当前方案通过关键词定位和正则规则提取数值,再统一处理正负号、百分比、金额单位和空值。对于净利润同比区间,方案在展示规则中取区间中值;对于金额,则可将万元统一换算为亿元,以便页面展示和横向比较。

数据清洗看起来只是格式工作,实际上决定了后续能不能排序、聚合和比较。如果一条数据写成"35.6%",另一条写成"约增长三成半",第三条仍保留整段原文,那么它们虽然人都能理解,却无法直接进入同一张排行榜。

清洗不能等于猜测。关键字段缺失时,再通过结构化备份源补取,而不是由模型自行补一个看似合理的数字。

数据原则 可以标准化表达,但不能创造原文中不存在的事实。缺失值应该被标记和降级,而不是被"聪明地补齐"。

五

AI 到底做了什么?答案不是"包办一切"

在这条链路中,AI并不是唯一的解析器。相反,确定性强的字段优先交给规则:标题中的公司名称和报告期可以用模式匹配提取;"已完成""进行中""计划"等状态可以通过关键词识别;明确的百分比和金额可以通过正则表达式定位。

AI或NLP更适合处理语义位置不固定、表达方式多样的内容。例如,它可以协助找到"本期业绩预计情况"或"业绩变动原因"相关段落,也可以在原文较长时,从中提取营收变化、出货量变化和净利润数据等关键句,生成不超过80字的摘要。

这是一种"规则负责边界,AI负责理解"的协作方式。规则让输出字段可验证,AI提高复杂文本的覆盖率;两者共同工作,比完全依赖规则更灵活,也比完全依赖模型更可控。

因此,所谓"AI读公告",准确地说不是让模型读完后自由总结,而是让AI进入一条已经定义好输入、字段、异常和输出格式的数据流程。

AI角色边界 AI可以帮助定位、理解和压缩文本,但数值字段必须能够回到原文,缺失字段必须允许留空,最终结果必须进入统一的数据规则。

六

真正成熟的系统,必须允许"提取失败"

公告处理不可能百分之百成功。网络会超时,PDF可能损坏或加密,扫描件可能识别失败,公告格式也会发生变化。成熟系统与演示脚本的区别,不在于前者从不失败,而在于它知道失败后应该做什么。

◆ PDF 下载失败:先进行三次重试,记录失败公告标识;仍然失败时切换到上交所、深交所公告页,或使用结构化备份数据。

◆ 没有文本层:文本提取为空时降级到 OCR;OCR结果继续走同一套字段规则,仍失败则记录并跳过。

◆ 字段匹配失败:缺失字段显示"—",其他字段继续入库;净利润同比等关键字段缺失时,再从备份源补取。

◆ 文件损坏或加密:捕获异常并记录日志,不让一份异常文件阻断整批任务;需要时切换结构化数据源。

这套异常机制传递了一个很重要的产品理念:页面有数据并不等于数据可靠。系统还应该知道它来自主源、备源还是降级路径,哪些字段完整,哪些字段缺失。


七

走完一条业绩预告的数据链路

下面用一条示意性的业绩预告,看看一条页面数据是怎样形成的。

第一步,系统按"业绩预告"类别检索公告,获得标题和 PDF 地址;第二步,从标题识别公司名称和报告期间;第三步,下载 PDF,并优先提取文字与表格;第四步,定位"本期业绩预计情况"相关段落;第五步,识别"预增"等预告类型,并提取"比上年同期增长35.60%";第六步,统一正负号和小数格式;第七步,从原因段落生成精简摘要。

▍示意:一条页面数据卡

公司名称:某新能源企业

报告期间:2026年一季报

预告类型:预增

净利润同比:+35.6%

公告摘要:产品出货量增长,营收同比提升,预计净利润同比增长35.6%

用户最终看到的可能只是一张五行数据卡,但这五行并不是由模型一次性生成的。每个字段都有自己的来源位置、提取规则和失败处理方式。页面越简洁,背后的数据流程往往越复杂。

八

为什么这不是"让 AI 总结一下"

"总结一份 PDF"和"把 PDF 变成结构化数据"看起来相似,目标却完全不同。

总结关注的是表达是否流畅,结构化数据关注的是字段是否准确;总结允许换一种说法,数值字段必须与原文一致;总结可以忽略部分细节,数据库却要明确哪些字段存在、哪些字段缺失;总结的输出是一段文字,结构化结果还要支持筛选、排序、统计、页面展示和后续校验。

因此,一条可靠链路至少要具备四个特征:字段定义清楚、提取结果可验证、异常状态可记录、外部来源失效时可以降级。只有这样,AI的文本理解能力才能真正变成稳定的产品能力。

从这个角度看,AI并没有替代数据工程。它只是进入了数据工程,并在最适合自己的环节提高效率。

九

五个最常见的误区

◆ 误区一:PDF能打开,就一定能提取。扫描件、损坏文件、加密文件和复杂表格,都可能让"能看"与"能解析"成为两回事。

◆ 误区二:所有 PDF 都先做 OCR。OCR适合没有文本层的扫描件,但不应替代可直接提取的文字层,否则可能增加数字和符号识别误差。

◆ 误区三:一个提示词可以处理全部公告。不同公告对应不同字段、语义和状态,必须先分类,再使用对应规则。

◆ 误区四:字段缺失时让 AI 猜一个。可靠系统应该显示缺失、记录异常或切换备源,不能把推测写成事实。

◆ 误区五:摘要可以代替原始公告。摘要用于降低阅读成本,重要结论仍应能够回到原文和原始来源核验。

结语

真正的价值,是把"能读"变成"能用"

一份上市公司公告,对人来说是一篇需要阅读的文档;对数据系统来说,它是一项需要检索、下载、解析、识别、清洗、校验和降级的任务。

AI可以让系统更好地理解复杂表述,也可以把长段落压缩成更易阅读的摘要。但真正决定结果能否用于产品的,是AI之外那套明确的字段规则、数据标准和异常机制。

所以,从 PDF 到结构化数据,最重要的变化不是"文章变短了",而是信息从不可直接计算的文本,变成了可以查询、比较、排序和追溯的事实记录。

这才是"AI读公告"真正进入业务系统的那一步

不是读完,而是用起来

把"能读"变成"能用",
才是数据真正的价值。

● ● ●

本文用于金融数据与信息系统科普,不构成投资建议。
数据与产品口径参考"每日投资速递"公告解析模块设计方案。

KEEP READING

继续阅读

查看全部文章 ↗