A股上市公司年报爬虫项目更新（附数字化转型词频结果）

1. 引言

此项目笔者主要发过三篇文章，分别对应本项目的三层逻辑，即：

1. 信息获取（包括公司代码，公司简称，年份，年报地址）

巨潮资讯网A股上市公司年报链接爬虫（详细分析过程+成品） - 知乎1.引言笔者之前已经写过一篇关于爬取年报的文章，但代码尚不完善，这段时间也一直有读者咨询一些问题，因此专门再发一篇更加详细的帖子，欢迎大家互相交流学习。 凌小添：【Python爬虫实战】爬取A股上市公司年报链…https://zhuanlan.zhihu.com/p/631300189

1. 目标信息下载并转义（下载目标区间的年报并转为txt格式）

【python实战】2.批量从表格提取链接多线程下载并实现pdf转txt（附2010-2021年上市公司TXT版年报） - 知乎1.项目分析数据来源：excel表格文件 项目需求：从excel表格中批量下载pdf版本的年报，将其命名为"股票代码_公司简称_ 年份"的格式，并全部转为txt文件。 使用语言：python 第三方库：pandas,requests, re …https://zhuanlan.zhihu.com/p/627337960

1. 目标信息数据分析（对目标区间年报进行文本分析）

【Python爬虫实战】3.A股上市公司年报关键词词频分析 - 知乎在前面两篇文章中，我们已经成功用Python爬取到了A股上市公司年报并转换为txt格式，接下来就是对数据的处理，我们以经管类常用的文本挖掘方式为例，编写从多个文本文件中提取关键词并统计词频，然后将结果存储到 E…https://zhuanlan.zhihu.com/p/628611213

用简单的流程图表示如下：

本文主要是对该项目进行总结，以方便读者更好的理解，并对代码进行了更新，提供了更多参数和接口，方便对代码进行修改实现多样化需求。

当然！既然已经做了这么多工作，笔者顺便进行流量一些常用的分析，如参考吴非企业数字化转型的数据，不敢私藏，也分享给大家！

⭐️项目代码已及时更新至网盘与github，相关资源的具体获取方式请查查看文末~

GitHub - legeling/Annualreport_tools: 一个用于爬取公司年报，并将格式转为TXT文本便于词频分析的小工具一个用于爬取公司年报，并将格式转为TXT文本便于词频分析的小工具. Contribute to legeling/Annualreport_tools development by creating an account on GitHub.https://github.com/legeling/Corporate-annual-report-analysis-and-crawling

---

2. 更新内容

2.1获取企业基本数据

新特性：

• ✅全新接口，更全面的获取数据
• ✅更友好的进度显示
• ✅更多可选参数，支持年份区间下载

参数部分代码：

if __name__ == '__main__':
    # 全局变量
    # 排除列表可以加入'更正后','修订版'来规避数据重复或公司发布之前年份的年报修订版等问题，
    exclude_keywords = ['英文', '摘要','已取消','公告']
    global counter
    global sum
    counter = 1  # 计数器
    setYear = 2022 #设置下载年份
    Flag = True #是否开启批量下载模式
    if Flag:
        for setYear in range(2004,2022):
            counter = 1  # 计数器
            main(setYear)
            print(f"----{setYear}年下载完成")
    else:
        main(setYear)
        print(f"----{setYear}年下载完成")

如代码中所示，目前提供修改排除变量名，指定年份或者年份区间下载。

以及先进的下载进度显示：当前年份下载进度 8.33 %，手动滑稽。

2.2年报批量下载并转格式

新特性：

• ✅可选择是否删除年报PDF原文件
• ✅支持自定义命名结果文件夹
• ✅提供区间年份的批量处理

参数代码：

if __name__ == '__main__':
    # 是否删除pdf文件，True为是，False为否
    flag_pdf = True
    # 是否批量处理多个年份，True为是，False为否
    Flag = False
    if Flag:
        #批量下载并转换年份区间
        for year in range(2004,2022):
            # ===========Excel表格路径，建议使用绝对路径，务必请自行修改！！！！！！！===========
            file_name = f"/Users/文档/MyProgram/PycharmProjects/财报数据/年报/年报链接_{year}【公众号：凌小添】.xlsx"
            # 创建存储文件的文件夹路径，如有需要请修改
            pdf_dir = f'年报文件/{year}/pdf年报'
            txt_dir = f'年报文件/{year}/txt年报'
            main(file_name,pdf_dir,txt_dir,flag_pdf)
            print(f"{year}年年报处理完毕，若报错，请检查后重新运行")
    else:
        #处理单独年份：
        #特定年份的excel表格，请务必修改。
        year = 2022
        file_name = f"/Users/文档/MyProgram/PycharmProjects/财报数据/年报/年报链接_{year}【公众号：凌小添】.xlsx"
        pdf_dir = f'年报文件/{year}/pdf年报'
        txt_dir = f'年报文件/{year}/txt年报'
        main(file_name, pdf_dir, txt_dir, flag_pdf)
        print(f"{year}年年报处理完毕，若报错，请检查后重新运行")

其中file_name为文章1中得到的excel表格路径，请务必按照自己电脑的路径修改，建议使用绝对路径，并注意文件名格式是否一致。

flag_pdf为是否删除pdf文件的开关，打开后会删除下载的pdf文件以节省空间。

Flag为是否开启批处理，注意，若开启批处理，请务必注意路径和文件名格式。

⚠️注意事项：

程序使用logging模块输出日志，请先安装并配置，如果需要直接输出，请修改代码中的输出部分从logging.info或logging.error修改为print

2.3文本分析（重大更新）

新特性：

• ✅支持自选关键词，定制你需要的结果
• ✅更友好的路径管理
• ✅支持指定年份的统计
• ✅新增数据暂存功能，防止数据丢失
• ✅新增统计总字数的功能

运行结果：

参数代码：

if __name__ == '__main__':
    # 设置要提取的关键词列表
    keywords = [
        '人工智能', '商业智能', '图像理解','投资决策辅助系统']
    # !!!!!注意，请务必将各个年份的年报 文件夹 放到一个大的 文件夹 中，并填入此文件夹的内容，请不要存放其他非年报文件。
    # 输入根文件夹路径，建议输入绝对路径，如“D:/python项目/上市公司爬虫/年报文件夹”
    root_folder = "D:/python项目/上市公司爬虫/年报文件夹"
    # 输入年份区间
    start_year = "2010"
    end_year = "2022"
    # 输入处理结果的文件名
    name = "词频分析结果.xlsx"
    # 暂存数目大小，每处理size个数据会自动保存一次以防数据丢失
    size = 100
    # 处理文件夹中的所有txt文件，并将结果存储到Excel表格中
    try:
        if start_year > end_year:
            print("起始年份不能大于中止年份！！！！！")
        else:
            process_files(root_folder, keywords, start_year, end_year)
    except Exception as e:
        print("文件处理失败！！")
        print(str(e))

#！！！注意：如果程序运行无反应，多半是路径和txt文件命名问题！
    # 推荐文件名命名格式：“600519_贵州茅台_2019.txt”
    # 本代码亦支持如下格式：“600519-贵州茅台2019年年度报告.txt”

其中，keywords为要统计的关键词，folder_path为文件夹路径，你可以将下载下的各年份年报文件解压后放放置到新的文件夹，并将folder_path设置为"包含年报的文件夹路径"即可。

正常运行后的结果如图所示：

statr_year为筛选的年份，若选择单独年份只需让两者均为特定年份即可。

⚠️注意事项：

• 请确保在运行代码之前已安装所需的依赖库，如 jieba、xlwt
• 文件夹路径 (folder_path) 中可以包含多个文件夹，但文件夹中务必包含要处理的文本文件txt，不要将压缩包直接放入！
• 如果程序运行无反应，多半是路径和txt文件命名问题！文件名命名格式为：“600519_贵州茅台_2019.txt”，若代码能力较佳，可自行修改正则表达式以适应各种不同格式。
• 本代码新增了暂存功能，程序未运行完毕时即可得到Excel文件，但在程序运行完毕前尽量不要对该文件进行操作以防异常。

---

3. 具体应用

目前很多学者都使用文本挖掘的方式来构建某些特定的变量，例如：

从变量设计的技术实现上来看，本文通过Python爬虫功能归集整理了上海交易所、深圳交易所全部A股上市企业的年度报告，并通过Java PDFbox库提取所有文本内容，并以此作为数据池供后续的特征词筛选。在企业数字化转型特征词的确定上，本文基于学术领域和实业领域进行了分项讨论

本文参考吴非的方法，选择企业数字化转型（DCG）作为研究目标，并参考如图所示的关键词。

参考如图所示的75个关键词，本文得到了2010-2022年数字化转型词频的Excel文件，共计四万多条数据，不藏私，直接分享给大家！详见文末。

而关于如何计算DCG吴非所著文章如图所示，本文不做探讨。

---

4. 小结

到这里，这个项目基本结束，笔者之前共发表了三篇文章，分别涵盖了项目的三个关键步骤。这些步骤包括信息获取、目标信息下载并转义以及目标信息数据分析。本文通过简单的流程图为读者梳理。

在本文中，笔者对代码进行了更新，提供了更多参数和接口，并简单介绍了各参数，使得代码更加灵活，满足不同的需求。总而言之，通过这个项目的详细介绍和更新的代码，我希望能够帮助读者更好地理解和操作。

⭐️ 项目代码已及时更新至网盘，网盘链接获取请于评论区留言，若想及时获取，请关注公众号“凌小添”并回复关键词数字化，即可获数字化转型关键词分析成品资源。

资源列表：

• ⭐️项目完整代码（已更新）
• ⭐️2004-2022年上市公司TXT版年报
• ⭐️2010-2022年数字化转型词频
• ⭐️常用控制变量及相关数据

如果你有任何问题或需要进一步的帮助，欢迎随时交流~