搭建自己的金融数据源和量化分析平台(八):解析PDF财报中的资产负债表

本文主要是介绍搭建自己的金融数据源和量化分析平台(八):解析PDF财报中的资产负债表,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

到了最复杂也是最扯淡的部分:从pdf中解析三大报表
前面下载到了PDF格式的财报。现在根据PDF格式的财报来解析资产负债表的会计项并入库。
这里经过研究发现,诸如三大报表之类的公开数据都受困于各种pdf,无法得到很好的利用,不得不说是一种散户和某某的悲哀
至于某花顺,某得等大公司,他们就有强大的解析能力或者直接从交易所拿到格式化的三大报表的数据吗?并不是,请看下面的一段引用的话:
“ 这些最原始的数据源主要就是各大金融市场的交易所,这些交易所绝大部分是政府机构运营管理。
它们只提供raw data,也就是最原始的数据。譬如行情数据(market data)都是数据串流,基本面数据(reference data)要么是原始的公告PDF,要么是非常非常简单的基础数据。这些数据往往无法直接使用。
所以最主流的数据供应商都有自己至少100人以上(多则有500人)的数据编辑团队,从事大量的数据加工处理工作,数据采编可以说是高科技行业中的劳动密集型。把那些raw data最终变成可供统计分析使用的结构化数据。”

因此,某花顺的财务数据也是牛马们手打的啊,这也是一种讽刺了。
但我们还是要有点梦想,尽量设计一个能够尽可能多地自动化解析财务数据的系统出来,至于解析不出来和解析错误的股票怎么办?我能想到的办法只有自己手动补全无法解析的结果,此外还是得写爬虫白嫖某花顺,将爬虫结果与解析结果作对比。(这里不得不向某花顺妥协,唉)
首先设计资产负债表的数据库字段如下:

stock_code	str	股票代码
report_year	str	所属年度(20232024等)
report_type	str	报表类型(一季报、中报、三季报、年报)
comp_type	str	公司类型(1一般工商业2银行3保险4证券)
total_share	str	期末总股本
cap_rese	str	资本公积
undistr_porfit	str	未分配利润
surplus_rese	str	盈余公积
special_rese	str	专项储备
money_cap	str	货币资金
trad_asset	str	交易性金融资产
notes_receiv	str	应收票据
accounts_receiv	str	应收账款
oth_receiv	str	其他应收款
prepayment	str	预付款项
div_receiv	str	应收股利
int_receiv	str	应收利息
inventories	str	存货
amor_exp	str	待摊费用
nca_within_1y	str	一年内到期的非流动资产
sett_rsrv	str	结算备付金
loanto_oth_bank_fi	str	拆出资金
premium_receiv	str	应收保费
reinsur_receiv	str	应收分保账款
reinsur_res_receiv	str	应收分保合同准备金
pur_resale_fa	str	买入返售金融资产
oth_cur_assets	str	其他流动资产
total_cur_assets	str	流动资产合计
fa_avail_for_sale	str	可供出售金融资产
htm_invest	str	持有至到期投资
lt_eqt_invest	str	长期股权投资
invest_real_estate	str	投资性房地产
time_deposits	str	定期存款
oth_assets	str	其他资产
lt_rec	str	长期应收款
fix_assets	str	固定资产
cip	str	在建工程
const_materials	str	工程物资
fixed_assets_disp	str	固定资产清理
produc_bio_assets	str	生产性生物资产
oil_and_gas_assets	str	油气资产
intan_assets	str	无形资产
r_and_d	str	研发支出
goodwill	str	商誉
lt_amor_exp	str	长期待摊费用
defer_tax_assets	str	递延所得税资产
decr_in_disbur	str	发放贷款及垫款
oth_nca	str	其他非流动资产
total_nca	str	非流动资产合计
cash_reser_cb	str	现金及存放中央银行款项
depos_in_oth_bfi	str	存放同业和其它金融机构款项
prec_metals	str	贵金属
deriv_assets	str	衍生金融资产
rr_reins_une_prem	str	应收分保未到期责任准备金
rr_reins_outstd_cla	str	应收分保未决赔款准备金
rr_reins_lins_liab	str	应收分保寿险责任准备金
rr_reins_lthins_liab	str	应收分保长期健康险责任准备金
refund_depos	str	存出保证金
ph_pledge_loans	str	保户质押贷款
refund_cap_depos	str	存出资本保证金
indep_acct_assets	str	独立账户资产
client_depos	str	其中:客户资金存款
client_prov	str	其中:客户备付金
transac_seat_fee	str	其中:交易席位费
invest_as_receiv	str	应收款项类投资
total_assets	str	资产总计
lt_borr	str	长期借款
st_borr	str	短期借款
cb_borr	str	向中央银行借款
depos_ib_deposits	str	吸收存款及同业存放
loan_oth_bank	str	拆入资金
trading_fl	str	交易性金融负债
notes_payable	str	应付票据
acct_payable	str	应付账款
adv_receipts	str	预收款项
sold_for_repur_fa	str	卖出回购金融资产款
comm_payable	str	应付手续费及佣金
payroll_payable	str	应付职工薪酬
taxes_payable	str	应交税费
int_payable	str	应付利息
div_payable	str	应付股利
oth_payable	str	其他应付款
acc_exp	str	预提费用
deferred_inc	str	递延收益
st_bonds_payable	str	应付短期债券
payable_to_reinsurer	str	应付分保账款
rsrv_insur_cont	str	保险合同准备金
acting_trading_sec	str	代理买卖证券款
acting_uw_sec	str	代理承销证券款
non_cur_liab_due_1y	str	一年内到期的非流动负债
oth_cur_liab	str	其他流动负债
total_cur_liab	str	流动负债合计
bond_payable	str	应付债券
lt_payable	str	长期应付款
specific_payables	str	专项应付款
estimated_liab	str	预计负债
defer_tax_liab	str	递延所得税负债
defer_inc_non_cur_liab	str	递延收益-非流动负债
oth_ncl	str	其他非流动负债
total_ncl	str	非流动负债合计
depos_oth_bfi	str	同业和其它金融机构存放款项
deriv_liab	str	衍生金融负债
depos	str	吸收存款
agency_bus_liab	str	代理业务负债
oth_liab	str	其他负债
prem_receiv_adva	str	预收保费
depos_received	str	存入保证金
ph_invest	str	保户储金及投资款
reser_une_prem	str	未到期责任准备金
reser_outstd_claims	str	未决赔款准备金
reser_lins_liab	str	寿险责任准备金
reser_lthins_liab	str	长期健康险责任准备金
indept_acc_liab	str	独立账户负债
pledge_borr	str	其中:质押借款
indem_payable	str	应付赔付款
policy_div_payable	str	应付保单红利
total_liab	str	负债合计
treasury_share	str	减:库存股
ordin_risk_reser	str	一般风险准备
forex_differ	str	外币报表折算差额
invest_loss_unconf	str	未确认的投资损失
minority_int	str	少数股东权益
total_hldr_eqy_exc_min_int	str	股东权益合计(不含少数股东权益)
total_hldr_eqy_inc_min_int	str	股东权益合计(含少数股东权益)
total_liab_hldr_eqy	str	负债及股东权益总计
lt_payroll_payable	str	长期应付职工薪酬
oth_comp_income	str	其他综合收益
oth_eqt_tools	str	其他权益工具
oth_eqt_tools_p_shr	str	其他权益工具(优先股)
lending_funds	str	融出资金
acc_receivable	str	应收款项
st_fin_payable	str	应付短期融资款
payables	str	应付款项
hfs_assets	str	持有待售的资产
hfs_sales	str	持有待售的负债
cost_fin_assets	str	以摊余成本计量的金融资产
fair_value_fin_assets	str	以公允价值计量且其变动计入其他综合收益的金融资产
cip_total	str	在建工程(合计)()
oth_pay_total	str	其他应付款(合计)()
long_pay_total	str	长期应付款(合计)()
debt_invest	str	债权投资()
oth_debt_invest	str	其他债权投资()
oth_eq_invest	str	其他权益工具投资()
oth_illiq_fin_assets	str	其他非流动金融资产()
oth_eq_ppbond	str	其他权益工具:永续债()
receiv_financing	str	应收款项融资
use_right_assets	str	使用权资产
lease_liab	str	租赁负债
contract_assets	str	合同资产
contract_liab	str	合同负债
accounts_receiv_bill	str	应收票据及应收账款
accounts_pay	str	应付票据及应付账款
oth_rcv_total	str	其他应收款(合计)(元)
fix_assets_total	str	固定资产(合计)()

然后上解析pdf的代码(该代码尚不完善,后期完善了也不会再在博客更新这部分代码,CSDN不配):

# -*- coding: utf-8 -*-
# 自定义异常、格式转换等工具类import pdfplumber
import osimport sparkPUBLIC_CORPORATION = 1  # 普通公司
BANK = 2                # 银行
INSURANCE = 3           # 保险
BROKER = 4              # 券商MONEY_CAP = "货币资金"monetary_unit_Y = 1
'''货币单位元'''
monetary_unit_T = 1000
'''货币单位千元'''
monetary_unit_10T = 10000
'''货币单位万元'''
monetary_unit_100T = 100000
'''货币单位十万元'''
monetary_unit_M = 1000000
'''货币单位百万元'''
monetary_unit_100M = 10000000
'''货币单位千万元'''
monetary_unit_1000M = 100000000
'''货币单位亿元'''
def check_mode(text,head):'''根据给定的text字符串判断该字符串是否是以head子串开始,中间间隔空格,末尾以数字结束'''head_withblank = text[0]for i in range(1,len(text)-1):head_withblank = head_withblank+' '+text[i]head_withblank = head_withblank+' '+text[len(text)-1]if text.startswith(' '+head) or text.startswith(head) or text.startswith(head_withblank):return textelse:return Nonedef analysis_balance_sheet(file_path,stock_code,comp_type):'''解析财报数据获取资产负债表内容'''# 处理单份财报# 定义资产负债表在财报中的索引possible_sheet_index = []with pdfplumber.open(file_path) as pdf:for i, page in enumerate(pdf.pages):# 记录当前页数page_number = i+1text = page.extract_text()for mid in text.split("\n"):if mid.find(MONEY_CAP) >= 0 and mid.find(MONEY_CAP) <= 1:possible_sheet_index.append(page_number)pdf.close()# 资产负债表起始页命中标志hit_flag = False# 资产负债表起始页索引sheet_index = []# 货币单位标志monetary_unit = Nonefor page_number in possible_sheet_index:# 读取当前页和前一页,检查合并资产负债表的存在with pdfplumber.open(path_or_fp=file_path, pages=[page_number]) as pdf:text = pdf.pages[0].extract_text()if text.find("合") >= 0 and text.find("并") >= 0 and text.find("资") >= 0 and text.find("产") >= 0 and text.find("负") >= 0 and text.find("债") >= 0 and text.find("表") >= 0 and text.find("单") >= 0 and text.find("位") >= 0 and text.find("元") >= 0:hit_flag = Truesheet_index.append(page_number)monetary_unit = analysis_money_unit(text)else:pdf.close()if hit_flag is False:with pdfplumber.open(path_or_fp=file_path, pages=[page_number-1]) as pdf:text = pdf.pages[0].extract_text()if text.find("合") >= 0 and text.find("并") >= 0 and text.find("资") >= 0 and text.find("产") >= 0 and text.find("负") >= 0 and text.find("债") >= 0 and text.find("表") >= 0 and text.find("单") >= 0 and text.find("位") >= 0 and text.find("元") >= 0:hit_flag = Truesheet_index.append(page_number)monetary_unit = analysis_money_unit(text)else:pdf.close()if hit_flag is False:print('股票代码:'+'检索失败,请手动检查')else:if monetary_unit == None:print("货币单位标志解析失败,请手动补全")else:# 总结果集,单位统一为人民币元balance_sheet = {}# 解析货币资金with pdfplumber.open(path_or_fp=file_path, pages=sheet_index) as pdf:text = pdf.pages[0].extract_text()for line in text.split("\n"):print(line)# money_cap = check_mode(line, MONEY_CAP)# if money_cap is not None:#     # balance_sheet["money_cap"] = money_cap * monetary_unit#     print(money_cap)#     break# print(balance_sheet)

这篇关于搭建自己的金融数据源和量化分析平台(八):解析PDF财报中的资产负债表的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1120233

相关文章

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组

java解析jwt中的payload的用法

《java解析jwt中的payload的用法》:本文主要介绍java解析jwt中的payload的用法,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Java解析jwt中的payload1. 使用 jjwt 库步骤 1:添加依赖步骤 2:解析 JWT2. 使用 N

SpringBoot多数据源配置完整指南

《SpringBoot多数据源配置完整指南》在复杂的企业应用中,经常需要连接多个数据库,SpringBoot提供了灵活的多数据源配置方式,以下是详细的实现方案,需要的朋友可以参考下... 目录一、基础多数据源配置1. 添加依赖2. 配置多个数据源3. 配置数据源Bean二、JPA多数据源配置1. 配置主数据

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

Java程序进程起来了但是不打印日志的原因分析

《Java程序进程起来了但是不打印日志的原因分析》:本文主要介绍Java程序进程起来了但是不打印日志的原因分析,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Java程序进程起来了但是不打印日志的原因1、日志配置问题2、日志文件权限问题3、日志文件路径问题4、程序

Java 正则表达式URL 匹配与源码全解析

《Java正则表达式URL匹配与源码全解析》在Web应用开发中,我们经常需要对URL进行格式验证,今天我们结合Java的Pattern和Matcher类,深入理解正则表达式在实际应用中... 目录1.正则表达式分解:2. 添加域名匹配 (2)3. 添加路径和查询参数匹配 (3) 4. 最终优化版本5.设计思

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字

使用Java将DOCX文档解析为Markdown文档的代码实现

《使用Java将DOCX文档解析为Markdown文档的代码实现》在现代文档处理中,Markdown(MD)因其简洁的语法和良好的可读性,逐渐成为开发者、技术写作者和内容创作者的首选格式,然而,许多文... 目录引言1. 工具和库介绍2. 安装依赖库3. 使用Apache POI解析DOCX文档4. 将解析