在使用Python读取PDF格式的上市公司年报并进行财务分析时，可以分为几个关键步骤：PDF内容提取、数据清洗、财务指标筛选、以及分析与输出。 ### 3.1 提取PDF中的文字内容 使用 `pdfplumber` 库可以方便地从PDF文件中提取文字内容。例如，以下代码可以用于打开PDF文件并提取特定页码的文字信息： ```python import os import pdfplumber def extract_text_info(filepath): """提取PDF中的文字""" with pdfplumber.open(filepath) as pdf: # 获取第2页数据 page = pdf.pages[1] print(page.extract_text()) filename = '易方达中小盘混合型证券投资基金2020年中期报告.pdf' filepath = os.path.join(os.getcwd(), filename) # 提取文字内容 extract_text_info(filepath) ``` 上述代码将打印PDF文件中第二页的文字内容。可以根据需求调整提取的页码范围，或者循环提取整个文档的内容[^1]。 ### 3.2 数据清洗与分词处理 在提取文字后，通常需要对文本进行清洗和分词处理，以便于后续分析。可以使用 `jieba` 或其他中文分词工具对提取的文本进行分词，并构建一个包含所有词语的数据框（DataFrame）。 ```python import jieba import pandas as pd # 假设 text 是提取的PDF文本 text = "..." words = jieba.lcut(text) df_word = pd.DataFrame(words, columns=['words']) ``` ### 3.3 筛选财务指标相关词汇 为了进一步分析财务数据，需要从提取的文本中筛选出与财务指标相关的词汇。可以使用预定义的财务指标词典文件（如 `financial.txt`）来筛选出相关的词汇： ```python with open('financial.txt', 'r', encoding='utf8') as f: word_list = f.read().splitlines() ind = '|'.join(word_list) financial = df_word[df_word['words'].str.contains(ind)] financial.to_excel('financial.xlsx') ``` 通过这种方式，可以将与财务指标相关的词汇提取出来，并保存到Excel文件中以便后续分析[^2]。 ### 3.4 数据分析与可视化 在提取出财务数据后，可以使用 `pandas` 和 `matplotlib` 等库对数据进行进一步分析和可视化。例如，可以计算某些财务指标的趋势或分布，并绘制图表进行展示： ```python import matplotlib.pyplot as plt # 假设 financial 是包含财务指标的数据框 financial['words'].value_counts().plot(kind='bar') plt.title('Financial Indicators Frequency') plt.xlabel('Indicator') plt.ylabel('Frequency') plt.show() ``` 该代码将绘制财务指标词汇出现频率的柱状图，帮助直观理解年报中的财务信息分布[^3]。 ### 3.5 结果保存与输出 最后，可以将分析结果保存到Excel文件中，以便于后续查阅和报告撰写。使用 `pandas` 可以轻松地将数据框写入Excel的不同工作表中： ```python with pd.ExcelWriter('financial_analysis.xlsx') as writer: financial.to_excel(writer, sheet_name='Financial Indicators') # 可以添加更多数据框到不同的工作表中 ``` 通过这种方式，可以将不同类型的财务数据分别保存在不同的工作表中，避免数据覆盖问题[^2]。