dvcrn 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+