简介这是一套面向金融数据分析从业者、量化研究者及财经专业学生的Python自动化工具集专为解决巨潮资讯网上市公司年报PDF批量抓取与文本化难题而设计。工具链覆盖年报链接获取、PDF下载、OCR/文本提取及清洗转换全流程显著降低词频分析、情感挖掘与关键词建模前的数据准备门槛。压缩包共13个文件2.14MB含4个核心Python脚本链接抓取、PDF转码、文本分析等、4个XML配置文件支持IDEA环境适配、1个Excel年报链接库覆盖2004–2023年、1个README说明文档及requirements.txt依赖清单结构清晰、模块解耦便于二次开发与参数调优。目前已有201人学习下载使用者可直接运行脚本获取标准化TXT文本结合Jieba、TF-IDF等工具开展年报主题建模、管理层语调分析或监管合规关键词筛查具备强实用性与教学参考价值。1. 项目缘起从数据需求到自动化工具的诞生在金融分析、学术研究或者投资决策的过程中上市公司的年报是核心的数据来源。它不仅是公司经营状况的“体检报告”更是洞察行业趋势、评估企业价值的关键文本。然而直接从巨潮资讯网这类官方信息披露平台获取年报并进行后续的文本分析整个过程充满了琐碎和重复。你需要手动搜索公司、筛选年份、下载PDF、再想办法把PDF里的文字提取出来最后才能进行词频统计或主题分析。这个过程做一两次尚可忍受但如果需要分析几十家、上百家公司多年的数据手动操作无异于一场噩梦。这个项目的初衷就是为了解决这个痛点。它不是一个复杂的金融数据平台而是一个聚焦、高效的“流水线工人”。它的核心任务非常明确自动从巨潮资讯网抓取指定上市公司的年报PDF将其下载到本地然后通过OCR光学字符识别技术将PDF内容转换为纯净的TXT文本。最终生成的TXT文件可以直接被导入到任何文本分析工具如Python的jieba、sklearn或者甚至简单的文本编辑器进行搜索中进行词频统计、情感分析、主题建模等操作。我最初开发这个工具是为了自己的研究项目在反复使用和优化中积累了不少关于网络请求稳定性、反爬策略应对、PDF解析精度以及批量任务管理的经验。下面我就把这个工具的完整实现思路、核心代码拆解以及那些“踩过坑才懂”的实操要点分享出来。无论你是金融专业的学生、量化分析的研究员还是对Python爬虫和自动化感兴趣的朋友这套方案都能为你提供一个坚实可靠的起点。2. 工具核心架构与工作流程设计在动手写代码之前我们先从顶层设计上理解这个工具是如何运行的。一个健壮的工具不应该是一堆脚本的堆砌而应该有一个清晰的逻辑脉络。我将整个流程分解为四个核心阶段它们环环相扣构成了工具的骨架。2.1 阶段一目标定位与请求构造巨潮资讯网的数据查询主要依靠其公开的接口。我们的第一步是模拟浏览器行为构造出能够精确获取目标年报列表的HTTP请求。这里的关键在于理解巨潮网的查询参数。通常我们需要以下信息来定位一份年报股票代码如000001平安银行。公告类型年报有固定的分类代码例如年报通常对应category_ndbg_szsh年度报告等但更可靠的方式是使用seDate搜索日期和stock组合查询。年份范围通过seDate参数指定例如2022-12-31~2023-12-31来获取2023年的年报。一个典型的查询URL构造如下以搜索平安银行2023年年报为例base_url “http://www.cninfo.com.cn/new/hisAnnouncement/query” params { ‘stock’: ‘000001,sz’, # 股票代码和交易所sz代表深交所sh代表上交所 ‘searchkey’: ‘年报’, ‘seDate’: ‘2023-01-01~2023-12-31’, ‘pageNum’: ‘1’, ‘pageSize’: ‘30’, ‘column’: ‘szse’, # 板块深交所 }向这个接口发送POST请求会返回一个JSON格式的响应里面包含了符合条件的公告列表每条公告信息中就有我们梦寐以求的PDF下载链接adjunctUrl字段和公告标题announcementTitle字段。注意巨潮网的接口和参数可能会随时间微调。最稳妥的方式是打开浏览器开发者工具F12在“网络”(Network)选项卡中观察你在官网进行搜索时产生的真实请求直接复制其中的参数。这是应对网站改动的第一手资料。2.2 阶段二PDF文件的智能下载与存储拿到PDF下载链接后事情并没有那么简单。巨潮网的PDF链接往往是相对路径需要拼接上基础域名。此外直接下载可能会遇到反爬机制比如请求头校验。这一阶段的核心任务是链接补全将获取到的相对路径如/new/disclosure/detail?stockCode000001announcementId1214567890拼接为完整URLhttp://static.cninfo.com.cn/...。具体规则需要从网站响应中分析。模拟浏览器请求为HTTP请求设置合理的User-Agent、Referer等请求头让我们的爬虫看起来更像一个正常的浏览器访问。文件命名与存储一份清晰的年报文件命名至关重要。我推荐的格式是股票代码_年份_报告类型.pdf例如000001_2023_年报.pdf。这样在本地管理成百上千个文件时会非常清晰。需要建立好对应的文件夹结构比如按股票代码或年份分门别类存放。2.3 阶段三PDF到TXT的格式转换核心这是技术挑战最大的一环。上市公司的年报PDF通常不是简单的“选中-复制”就能提取文字它们往往是扫描件或者由图片构成是“非文本型PDF”。对于这类文件我们必须借助OCR技术。我的方案是采用pdf2imagepytesseract的组合拳PDF转图像使用pdf2image库将PDF的每一页转换为高分辨率的PNG或JPEG图片。这里要注意设置DPI每英寸点数DPI越高识别精度可能越好但处理速度越慢内存消耗越大。通常300 DPI是一个兼顾质量和效率的平衡点。OCR识别使用pytesseract它是Google Tesseract OCR引擎的Python封装对每一张图片进行文字识别。Tesseract支持中文chi_sim和英文eng混合识别这对于包含中英文的年报非常关键。文本拼接与清洗将每一页识别出的文本按顺序拼接起来。然后进行必要的清洗比如去除过多的空白行、识别错误的特殊字符等得到一份相对纯净的连续文本。2.4 阶段四批量处理与任务管理单个公司的处理是基础但我们通常需要批量处理。这就需要引入任务队列和简单的并发控制。任务队列我们可以准备一个CSV文件或一个Python列表里面记录了所有需要抓取的公司代码和年份对例如[(‘000001’, ‘2023’), (‘600519’, ‘2023’), …]。错误处理与重试网络请求可能失败OCR识别可能出错。代码中必须包含健壮的错误处理try…except和重试机制如使用tenacity库。对于失败的单个任务应记录日志方便后续手动补抓。进度可视化在控制台输出当前进度如“正在处理第X个任务共Y个…”对于长时间运行的批量任务能极大提升用户体验和心理安慰。整个工具的架构流程图可以概括为输入任务列表 - 循环处理每个任务 - 查询公告 - 下载PDF - OCR转换 - 保存TXT - 记录日志。接下来我们深入到代码层面看看每一个环节具体如何实现。3. 核心代码模块拆解与实现细节理解了架构我们来看具体的代码实现。我将核心功能封装成了几个函数这样代码更清晰也便于维护和复用。3.1 环境准备与依赖库安装工欲善其事必先利其器。首先需要安装必要的Python库此外OCR引擎Tesseract需要单独安装。Python库安装 (使用pip):pip install requests lxml pandas pdf2image pillow pytesseract tenacityrequests: 用于发送HTTP请求获取网页数据和PDF文件。lxml/beautifulsoup4: 用于解析HTML虽然巨潮主要用JSON接口但备用解析有时需要。pandas: 方便地读取和管理任务列表CSV文件。pdf2image: 将PDF转换为图像。Pillow(PIL): 图像处理库pdf2image的依赖。pytesseract: OCR识别库。tenacity: 提供优雅的重试装饰器处理网络波动等临时性失败。Tesseract OCR引擎安装:这是最关键的一步。pytesseract只是一个调用接口真正的识别引擎是Tesseract。Windows: 从 GitHub - tesseract-ocr/tesseract 下载安装程序。安装时记得勾选中文语言包chi_sim。安装完成后需要将Tesseract的安装路径如C:\Program Files\Tesseract-OCR添加到系统环境变量PATH中或者在代码中指定路径pytesseract.pytesseract.tesseract_cmd r‘C:\Program Files\Tesseract-OCR\tesseract.exe’。macOS: 使用Homebrew安装最为简单brew install tesseract tesseract-lang。如果需要中文可以安装brew install tesseract-lang或单独下载语言包。Linux(如Ubuntu):sudo apt install tesseract-ocr tesseract-ocr-chi-sim。安装完成后在命令行输入tesseract --version确认安装成功并查看是否支持中文。3.2 公告查询与PDF链接提取模块这个函数负责与巨潮网接口对话获取目标年报的下载链接。import requests import json import time from tenacity import retry, stop_after_attempt, wait_random retry(stopstop_after_attempt(3), waitwait_random(min1, max3)) def fetch_announcement_list(stock_code, year, page_num1): “”” 根据股票代码和年份查询巨潮资讯网的年报公告列表。 返回一个列表包含公告标题和PDF下载链接。 “”” # 构造查询参数 params { ‘stock’: f‘{stock_code},sz’ if stock_code.startswith(‘0’, ‘3’) else f‘{stock_code},sh’, ‘searchkey’: ‘年报’, ‘seDate’: f‘{year}-01-01~{year}-12-31’, ‘pageNum’: str(page_num), ‘pageSize’: ’30’, ‘column’: ‘szse’ if stock_code.startswith(‘0’, ‘3’) else ‘sse’, } headers { ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36’, ‘Referer’: ‘http://www.cninfo.com.cn/new/commonUrl/pageOfSearch?urldisclosure/list/search’, ‘Content-Type’: ‘application/x-www-form-urlencoded; charsetUTF-8’, } base_url ‘http://www.cninfo.com.cn/new/hisAnnouncement/query’ try: response requests.post(base_url, dataparams, headersheaders, timeout10) response.raise_for_status() # 检查HTTP状态码 data response.json() announcements [] if data.get(‘announcements’): for ann in data[‘announcements’]: title ann.get(‘announcementTitle’, ‘’) # 重点提取PDF链接。adjunctUrl字段有时是完整URL有时是相对路径。 pdf_url ann.get(‘adjunctUrl’, ‘’) if pdf_url and pdf_url.endswith(‘.pdf’): # 如果是相对路径需要补全 if pdf_url.startswith(‘/’): pdf_url ‘http://static.cninfo.com.cn’ pdf_url announcements.append({‘title’: title, ‘pdf_url’: pdf_url}) return announcements except requests.exceptions.RequestException as e: print(f“查询{stock_code} {year}年报列表失败: {e}”) return [] except json.JSONDecodeError as e: print(f“解析JSON响应失败: {e}”) return []代码要点解析retry装饰器来自tenacity库。它让函数在遇到异常时自动重试最多3次每次重试前随机等待1-3秒。这对付不稳定的网络请求非常有效。交易所判断中国A股代码以0或3开头的通常在深交所(szse)以6开头的通常在上交所(sse)。这个判断规则需要根据实际情况调整。链接补全逻辑这是根据对巨潮网静态资源域名观察得出的经验。如果adjunctUrl以/开头我们就为其拼接上http://static.cninfo.com.cn这个前缀。务必通过实际抓包验证这个规则是否仍然有效。错误处理我们捕获了网络请求异常和JSON解析异常并打印错误信息避免因为单个请求失败导致整个程序崩溃。3.3 PDF下载与本地存储模块这个函数负责将网络上的PDF文件安全地下载到本地指定位置。import os from urllib.parse import urlparse retry(stopstop_after_attempt(3), waitwait_random(min2, max5)) def download_pdf(pdf_url, save_dir, stock_code, year): “”” 下载PDF文件到本地并按照规则命名。 “”” # 创建保存目录如果不存在 os.makedirs(save_dir, exist_okTrue) # 生成文件名股票代码_年份_年报.pdf # 从URL中提取原始文件名作为备选防止标题过长或含非法字符 parsed_url urlparse(pdf_url) original_filename os.path.basename(parsed_url.path) safe_filename f“{stock_code}_{year}_年报.pdf” file_path os.path.join(save_dir, safe_filename) # 如果文件已存在跳过下载避免重复工作 if os.path.exists(file_path): print(f“文件已存在跳过下载: {file_path}”) return file_path headers { ‘User-Agent’: ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36’, } try: print(f“正在下载: {pdf_url}”) response requests.get(pdf_url, headersheaders, streamTrue, timeout30) response.raise_for_status() with open(file_path, ‘wb’) as f: for chunk in response.iter_content(chunk_size8192): f.write(chunk) print(f“下载成功: {file_path}”) return file_path except requests.exceptions.RequestException as e: print(f“下载PDF失败 {pdf_url}: {e}”) # 可以选择删除可能已损坏的部分文件 if os.path.exists(file_path): os.remove(file_path) return None实操心得streamTrue下载大文件时使用流式传输可以避免一次性将整个文件加载到内存更安全高效。文件存在检查在批量处理时这个检查能节省大量时间和流量。如果任务中途中断重新运行时可以跳过已完成的文件。命名策略使用股票代码_年份_报告类型.pdf的命名方式在后续管理和查找时一目了然。避免使用公告标题直接命名因为标题可能很长且包含特殊字符如/,:等导致保存失败。3.4 PDF转TXT的OCR核心转换模块这是整个工具的技术核心直接决定了最终文本数据的质量。from pdf2image import convert_from_path import pytesseract import tempfile import shutil def convert_pdf_to_txt(pdf_path, output_txt_path, dpi300, lang‘chi_simeng’): “”” 将PDF文件尤其是扫描件通过OCR转换为TXT文本文件。 “”” # 检查Tesseract命令是否可用 try: pytesseract.get_tesseract_version() except EnvironmentError: print(“Tesseract OCR未安装或未在PATH中请正确安装并配置。”) return False # 创建一个临时目录来存放转换过程中的图片 with tempfile.TemporaryDirectory() as temp_dir: try: print(f“开始转换PDF: {pdf_path}”) # 1. PDF转图像 images convert_from_path(pdf_path, dpidpi, output_foldertemp_dir, fmt‘PNG’) print(f“PDF共{len(images)}页已转换为图像。”) all_text [] for i, image in enumerate(images): # 2. 对每一页图像进行OCR识别 # 可以在此处对image进行预处理如灰度化、二值化、去噪等以提高识别率 # image image.convert(‘L’) # 转为灰度图 text pytesseract.image_to_string(image, langlang) all_text.append(text) print(f“ 第{i1}页识别完成。”) # 3. 将所有页的文本合并 full_text ‘\n\n’.join(all_text) # 用两个换行符分隔不同页 # 4. 简单的文本清洗可选根据需求调整 # 移除过多的连续换行和空白字符 import re cleaned_text re.sub(r‘\n\s*\n’, ‘\n\n’, full_text) # 将多个空行合并为一个空行 cleaned_text re.sub(r‘[^\S\n]’, ‘ ‘, cleaned_text) # 将多个空格合并为一个 # 5. 保存到TXT文件 with open(output_txt_path, ‘w’, encoding‘utf-8’) as f: f.write(cleaned_text) print(f“TXT文件已保存: {output_txt_path}”) return True except Exception as e: print(f“转换PDF到TXT过程中发生错误: {e}”) return False深度解析与调优建议DPI的选择dpi300是通用设置。对于字体较小、排版复杂的年报可以尝试提高到400或500但处理时间和内存占用会显著增加。可以在小样本上测试权衡精度和效率。语言包lang‘chi_simeng’表示同时使用简体中文和英文语言包进行识别。如果你的年报是纯中文只使用chi_sim可能更快。确保你的Tesseract安装了对应的语言包。图像预处理OCR的精度很大程度上取决于输入图像的质量。pdf2image转换出的图像质量通常不错但如果遇到识别率特别低的情况可以在pytesseract.image_to_string之前加入预处理步骤image image.convert(‘L’)转为灰度图减少颜色干扰。使用PIL.ImageFilter进行锐化或模糊处理。使用pytesseract.image_to_data或image_to_boxes获取更详细的识别结果进行后处理。内存与性能处理上百页的大型PDF时convert_from_path一次性加载所有图像到内存可能导致内存不足。可以考虑使用convert_from_path的first_page和last_page参数分批次处理或者使用poppler的流式处理更复杂。临时目录使用tempfile.TemporaryDirectory()可以确保转换过程中产生的临时图像文件在函数结束后被自动清理避免磁盘空间浪费。3.5 主流程与批量任务调度最后我们将上述模块串联起来并加入批量处理和日志功能。import pandas as pd import logging from datetime import datetime def setup_logging(): “””配置日志同时输出到控制台和文件。“”” log_filename f“annual_report_crawler_{datetime.now().strftime(‘%Y%m%d_%H%M%S’)}.log” logging.basicConfig( levellogging.INFO, format‘%(asctime)s - %(levelname)s - %(message)s’, handlers[ logging.FileHandler(log_filename, encoding‘utf-8’), logging.StreamHandler() ] ) return logging.getLogger(__name__) def main(): logger setup_logging() # 1. 读取任务列表例如从一个CSV文件 # CSV文件格式stock_code,year task_file ‘tasks.csv’ try: tasks_df pd.read_csv(task_file) tasks list(zip(tasks_df[‘stock_code’], tasks_df[‘year’])) except Exception as e: logger.error(f“读取任务文件{task_file}失败: {e}”) return # 2. 定义保存路径 base_pdf_dir ‘./downloaded_pdfs’ base_txt_dir ‘./converted_txts’ # 3. 遍历所有任务 for i, (stock_code, year) in enumerate(tasks, 1): stock_code str(stock_code).zfill(6) # 确保股票代码是6位 year str(year) logger.info(f“[{i}/{len(tasks)}] 开始处理 {stock_code} {year}年年报”) # 3.1 查询公告列表 announcements fetch_announcement_list(stock_code, year) if not announcements: logger.warning(f“ 未找到{stock_code} {year}年的年报公告。”) continue # 通常第一份就是最新的年报但也可以根据标题进一步筛选 target_announcement announcements[0] # 取第一份 pdf_url target_announcement[‘pdf_url’] # 3.2 下载PDF stock_pdf_dir os.path.join(base_pdf_dir, stock_code) pdf_path download_pdf(pdf_url, stock_pdf_dir, stock_code, year) if not pdf_path: logger.error(f“ 下载PDF失败跳过后续转换。”) continue # 3.3 转换为TXT stock_txt_dir os.path.join(base_txt_dir, stock_code) os.makedirs(stock_txt_dir, exist_okTrue) txt_filename f“{stock_code}_{year}_年报.txt” txt_path os.path.join(stock_txt_dir, txt_filename) success convert_pdf_to_txt(pdf_path, txt_path) if success: logger.info(f“ 成功转换并保存TXT: {txt_path}”) else: logger.error(f“ PDF转TXT转换失败。”) # 3.4 礼貌性延迟避免请求过快 time.sleep(1) logger.info(“所有任务处理完毕”) if __name__ ‘__main__’: main()这个main函数构成了工具的指挥中心。它从tasks.csv读取任务为每只股票创建独立的文件夹存放PDF和TXT并记录了详细的处理日志。你可以通过修改tasks.csv文件轻松地扩展要抓取的公司和年份范围。4. 实战中的“坑”与优化策略纸上得来终觉浅绝知此事要躬行。在大量实际使用中我遇到了不少预料之外的问题也总结出一些提升工具鲁棒性和效率的优化点。4.1 反爬虫策略的应对之道巨潮资讯网作为官方指定信息披露平台对数据的公开性支持较好但并非毫无限制。长时间、高频次的请求依然可能触发风控。症状请求突然返回空数据、状态码非200、或者需要验证码。应对策略降低请求频率在每次网络请求后加入随机延迟time.sleep(random.uniform(1, 3))。这是最基本的礼貌也能有效降低被封风险。伪装请求头确保User-Agent是真实的浏览器字符串并携带Referer。可以准备一个User-Agent列表轮流使用。使用IP代理池对于超大规模的抓取如抓取全市场十年数据这是终极方案。需要购买或搭建代理IP服务并在requests.get/post中通过proxies参数设置。免费代理不稳定慎用。处理Cookie/Session有些接口可能需要维持会话。可以使用requests.Session()对象来保持Cookie模拟更真实的浏览行为。4.2 OCR识别精度提升的实战技巧OCR识别错误是影响后续文本分析质量的最大因素。年报排版复杂包含表格、图表、特殊字体等都会干扰识别。问题数字“1”和字母“l”混淆中文词语被错误分割表格内容识别混乱。优化方案区域识别如果只关心年报中的“管理层讨论与分析”或“财务报告”部分可以先用工具如pdfplumber或camelot尝试定位这些章节的页面坐标然后只对特定区域的图像进行OCR能大幅减少干扰和计算量。自定义配置pytesseract.image_to_string可以传入config参数。例如--psm 6假设文本为统一的单行块或--psm 3全自动页面分割但不进行方向检测可能对某些版式更有效。需要通过实验找到最佳配置。后处理校正建立金融领域的自定义词典。例如识别出的“公可”大概率是“公司”“报生”可能是“报表”。可以用一个简单的映射字典进行替换。对于数字可以结合上下文进行校验。尝试更先进的OCR引擎Tesseract是开源首选但商业或云服务OCR如百度OCR、阿里云OCR、Google Cloud Vision的精度通常更高特别是对复杂中文排版。它们通常提供免费额度对于小规模或关键任务值得考虑但需要处理API调用和费用。4.3 大规模批量处理的稳定性保障处理成千上万个任务时程序运行几个小时甚至几天稳定性至关重要。断点续传我们的代码已经通过“检查文件是否存在”实现了简单的任务级断点续传。更完善的方案是将任务状态待处理、处理中、成功、失败记录在一个数据库如SQLite或状态文件中。程序启动时先加载状态只处理“待处理”和“失败”的任务。异常隔离确保单个任务的失败不会导致整个程序崩溃。try…except要包裹每个任务的核心步骤并将异常信息详细记录到日志中。资源监控OCR转换非常消耗内存和CPU。在批量运行时注意监控系统资源。可以考虑使用multiprocessing或concurrent.futures进行有限度的并发处理例如同时处理2-3个PDF转换但要注意线程/进程安全和资源竞争。日志为王详细的日志文件是你排查问题的唯一依据。日志应记录时间、级别、股票代码、当前操作、成功或失败的信息、错误详情等。使用Python标准库的logging模块是最好的选择。4.4 结果校验与质量评估如何知道转换出的TXT文件质量是否合格不能等到分析时才发现数据一团糟。自动化基础校验文件大小转换后的TXT文件不应过小比如只有几KB这可能意味着OCR识别失败或PDF本身就是图片且质量极差。关键词抽查编写一个简单的脚本随机抽取一些TXT文件搜索“营业收入”、“净利润”、“董事会”等年报中必然出现的高频关键词检查是否能找到。段落长度统计正常的文本段落长度分布有一定规律。如果发现文件充满了极短的行可能是识别成了竖排文字或噪声则质量可能有问题。人工抽样检查定期随机打开几个生成的TXT文件快速浏览一下。这是最直接有效的方法。5. 从TXT到分析词频分析快速入门工具产出了干净的TXT文本我们的最终目标——词频分析就可以轻松展开了。这里给出一个最基础的示例使用jieba进行中文分词和词频统计。import jieba from collections import Counter import os def analyze_word_frequency(txt_file_path, top_n50): “”” 对单个TXT文件进行中文词频分析。 “”” try: with open(txt_file_path, ‘r’, encoding‘utf-8’) as f: text f.read() except FileNotFoundError: print(f“文件未找到: {txt_file_path}”) return # 使用jieba进行分词 words jieba.lcut(text) # 移除停用词和短词根据分析目标调整 stopwords [‘的’, ‘了’, ‘在’, ‘是’, ‘我’, ‘有’, ‘和’, ‘就’, ‘不’, ‘人’, ‘都’, ‘一’, ‘一个’, ‘上’, ‘也’, ‘很’, ‘到’, ‘说’, ‘要’, ‘去’, ‘你’, ‘会’, ‘着’, ‘没有’, ‘看’, ‘好’, ‘自己’, ‘这’] # 可以加载更全的停用词表 filtered_words [word for word in words if len(word) 1 and word not in stopwords and word.strip()] # 统计词频 word_counts Counter(filtered_words) # 输出前N个高频词 print(f“文件 ‘{os.path.basename(txt_file_path)}’ 词频分析结果 (Top {top_n}):”) for word, count in word_counts.most_common(top_n): print(f“ {word}: {count}”) # 可以返回结果用于进一步分析或可视化 return word_counts # 示例分析刚转换好的一个文件 if __name__ ‘__main__’: txt_path ‘./converted_txts/000001/000001_2023_年报.txt’ result analyze_word_frequency(txt_path, top_n30)你可以将这个函数嵌入到主流程中在转换完成后立即进行分析也可以批量处理所有生成的TXT文件将结果汇总到一个DataFrame中用于横向对比不同公司或不同年份的关注点变化。这个工具链的价值在于它将从数据获取到预处理再到初步分析的全流程自动化了。你可以在此基础上轻松地集成更复杂的分析如情感分析使用snownlp或paddlenlp、主题模型gensim的LDA、或构建自己的金融文本数据库。本文还有配套的精品资源点击获取