Fundreport Scrape

基金月报信息提取。支持文本+OCR 双重提取，自动处理双月对比。从 PDF 月报提取数据并填充 Excel 模板。

基金月报信息提取

上传 Excel 模板和 PDF 月报，AI 自动提取数据（文本+OCR）并生成对比 Excel。

---

🌟 技能亮点

• 文本+OCR 双重提取 - 图表数据不遗漏，识别准确率 95%+
• 双月自动对比 - 一次处理两个月份，生成完整对比数据
• 智能日期解析 - 支持 YYYYMM 和 YYMM 格式，自动补全年份
• 批量处理 - 一次处理 10+ 只基金，节省 99% 时间

---

⚙️ 功能

功能	说明
核心指标提取	久期、到期收益率 (YTM)、基金规模
分布数据提取	行业分布、地区分布、信用评级分布
模板保持	保持 Excel 原有样式、公式、数据类型
智能匹配	字段名模糊匹配，适应不同表述方式
自动分类	识别基金名称和日期，智能分 Sheet

---

📥 输入

类型	说明	要求
Excel 模板	用户自定义格式	文件名：互认基金月度更新_YYYYMMvsYYYYMM.xlsx
PDF 月报	基金月度报告	支持文本/图表/扫描版，文件名含月份（如 华夏 2601.pdf）

---

📤 输出

文件	说明
互认基金月度更新_YYYYMMvsYYYYMM_最终版.xlsx	包含上月（列 4）和本月（列 6）的完整对比数据

提取内容：

• 核心指标：久期、YTM（两月对比）
• 分布数据：行业、地区、信用评级（两月对比）
• 其他：十大持仓、派息记录等

---

🚀 快速开始

1️⃣ 安装依赖（首次使用）

# 系统工具
yum install -y tesseract tesseract-langpack-chi_simp poppler-utils

# Python 包
pip install pdf2image Pillow opencv-python-headless

2️⃣ 准备文件

工作目录/
├── 模板/
│   └── 互认基金月度更新_202512vs202601.xlsx
├── 月报数据/
│   ├── 202512/    # 上月 PDF
│   │   ├── 华夏 202512.pdf
│   │   └── 南方东英 202512.pdf
│   └── 202601/    # 本月 PDF
│       ├── 华夏 2601.pdf
│       └── 南方东英 2601.pdf

3️⃣ 运行处理

cd ~/.agents/skills/fundreport-scrape

python3 scripts/auto_update_two_months.py \
  "/path/to/互认基金月度更新_202512vs202601.xlsx" \
  "/path/to/月报数据/202512/" \
  "/path/to/月报数据/202601/" \
  "/path/to/互认基金月度更新_202512vs202601_最终版.xlsx"

4️⃣ 查看结果

输出文件包含：

• ✅ 上月数据（列 4）：202512
• ✅ 本月数据（列 6）：202601
• ✅ 自动对比：久期、YTM、行业分布等

---

📁 文件结构

fundreport-scrape/
├── SKILL.md                  # 技能说明
├── SECURITY_REVIEW.md        # 安全评估报告
├── _meta.json                # 元数据
├── requirements.txt          # Python 依赖
├── scripts/
│   ├── auto_update_two_months.py # ⭐ 双月处理（推荐）
│   ├── auto_update_ocr.py       # OCR 增强版
│   └── install_ocr_deps.sh      # 依赖安装脚本
└── references/
    ├── extraction_templates.json  # 提取模板配置
    ├── ocr_rules.md               # OCR 识别规则
    ├── field_mapping.md           # 字段映射规则
    ├── template_learning.md       # 模板学习规则
    ├── batch_processing.md        # 批量处理规则
    └── interaction_rules.md       # 交互规则

---

📋 脚本说明

脚本	用途	推荐使用
auto_update_two_months.py	双月对比处理	⭐⭐⭐ 推荐
auto_update_ocr.py	单月 OCR 处理	⭐⭐ 备选
install_ocr_deps.sh	一键安装依赖	⭐⭐⭐ 首次使用

---

❓ 常见问题

Q1: OCR 识别准确率低？

A: 确保 PDF 清晰度足够，建议：

• 使用 300 DPI 以上的 PDF
• 避免模糊或压缩过度的文件
• 图表数据建议对照 PDF 手动验证

Q2: 日期解析错误？

A: 检查文件名格式：

• Excel 文件名必须包含 YYYYMMvsYYYYMM
• PDF 文件名应包含月份信息（如 2601 或 202601）

Q3: 部分基金数据未提取？

A: 可能原因：

• PDF 中基金名称与模板不匹配
• 数据以复杂图表形式存在
• 建议查看日志中的"未匹配"提示

---

📝 更新日志

v1.0.0 (2026-03-14)

核心功能：

• ✅ 文本+OCR 双重提取，支持图表数据识别
• ✅ 双月对比处理，自动生成对比数据
• ✅ 智能日期解析，支持 YYYYMM 和 YYMM 格式
• ✅ 自动年份补齐（2601 → 202601）
• ✅ 从 Excel 文件名解析对比月份
• ✅ 批量处理 10+ 只基金
• ✅ 保持 Excel 原有样式和公式

技术特性：

• ✅ Tesseract OCR 引擎（中文+英文）
• ✅ pdfplumber 文本提取
• ✅ OpenCV 图像预处理
• ✅ 自动基金匹配和分类

系统依赖：

• Tesseract OCR 5.x + 中文语言包
• Poppler-utils（PDF 转图片）
• Python 3.8+