这是一个开箱即用的财务报表抽取工具，支持上传 PDF/Excel 格式的年报、审计报告，自动提取资产负债表、利润表、现金流量表三大表结构化数据，输出 JSON 或 Excel。它能够处理跨页表格、合并单元格等复杂排版，并支持结果溯源至原文页码。适用于投融资分析、财务校验及企业知识库建设。

https://github.com/intsig-textin/xparse-sample-projects

下面我们讨论实现方法。如果目标是从一份很长的财务报告里快速、稳定地提取三大表，第一件事不是写 Prompt，而是先判断这个问题到底属于语义理解，还是属于结构定位。财务三大表更接近后者：核心问题往往是“哪一块是表题、哪一块是表格、哪几列是金额列”，而不是“模型能不能理解财报”。

如果目标只是读懂财报，一次性全文问答当然也可以；但如果目标是做成结构化工具，要求通常会变成下面这样：

在这种目标下，重点不再是生成自然语言答案，而是尽快、稳定地把三张表还原出来。

更适合这类问题的链路通常是：

PDF 财务报告
    ↓
TextIn 文档解析
    ↓
markdown + detail
    ↓
定位 table_title
    ↓
查找后续表格块
    ↓
标准化列结构
    ↓
输出三大表 JSON

这条链路里的职责边界很明确：

这里的关键判断是：如果结构信息已经足够好，就不要强行把核心抽取写成 LLM 任务。

三、先把解析层输入输出定义对

真正调用的还是 TextIn 的二进制流接口：

POST https://api.textin.com/ai/service/v1/pdf_to_markdown

headers = {
    "x-ti-app-id": TEXTIN_APP_ID,
    "x-ti-secret-code": TEXTIN_SECRET_CODE,
    "Content-Type": "application/octet-stream",
}

params = {
    "parse_mode": "auto",
    "page_count": 200,
    "dpi": 144,
    "table_flavor": "html",
    "apply_document_tree": 1,
    "markdown_details": 1,
    "page_details": 1,
    "apply_merge": 1,
}

resp = await client.post(
    "https://api.textin.com/ai/service/v1/pdf_to_markdown",
    headers=headers,
    params=params,
    content=file_bytes,
)

如果做前后端分离，通常会在本地后端包一层 

 给浏览器上传使用；但上游解析协议本身仍然是“二进制流 + 结构化返回”。

四、为什么这里不把核心抽取写成 Prompt

很多人一上来会想：既然前面很多文档抽取都可以用 Prompt，财报是不是也可以直接让模型输出三大表？

当然可以试，但这里不是最优解。原因很简单：

所以这里更合理的思路是：让解析层提供结构，让规则层消费结构。

虽然这里没有抽取 Prompt，但它一样有严格的输入契约。

1. 输入不是全文语义，而是`detail`

 里的结构化块。规则层首先看的是块类型和顺序，而不是整份财报文本的自然语言含义。

if item.get("sub_type") != "table_title":
    continue

这说明规则层并不是在“读懂一段话”，而是在找“结构上已经被标注成表题的块”。

2. 表题定位之后，再找后续表格块

 之后，代码会继续向后扫描，寻找与之相邻的表格块：

for j in range(i + 1, n):
    nxt = detail_list[j]
    if isinstance(nxt, dict) and is_table_block(nxt):
        table_block = nxt
        break

这一步的含义很清楚：先定位标题，再关联表格，而不是让模型在全文里自己猜哪一段属于哪张表。

不同文档里的表格块并不一定长成同一种结构，所以代码专门兼容了三种来源：

def extract_table_matrix_from_block(item: dict) -> list:
    if isinstance(item.get("rows"), list) and item.get("rows"):
        return item["rows"]
    if isinstance(item.get("cells"), list) and item.get("cells"):
        return cells_to_matrix(item["cells"])
    html = item.get("table_html") or item.get("html") or item.get("table")

这一步其实就是这类工具的“输入适配层”。如果没有这一层，后续列识别和表结构统一都会很脆弱。

规则层最终要输出的，不是原始表格块，而是前端可直接消费的三大表结果。

每张表里再是一组已经过标准化的行，例如：

七、为什么这里的规则比全文 Prompt 更合适

如果硬要把这件事写成全文 Prompt，通常会遇到几个问题：

这四件事都更接近结构化规则问题，不是开放式生成问题。

以上是基于规则与结构化解析实现财报三大表提取的一次实践。方案已上传 GitHub，欢迎大家在项目中与我们交流。如果你在实际处理财报表格时遇到其他复杂情况（如多级表头、不规则合并单元格、跨页续表等），也可以留言或私信交流探讨。

​项目介绍：​这是一个开箱即用的财务报表抽取工具，支持上传 PDF/Excel 格式的年报、审计报告，自动提取资产负债表、利润表、现金流量表三大表结构化数据，输出 JSON 或 Excel。它能够处理跨页表格、合并单元格等复杂排版，并支持结果溯源至原文页码。适用于投融资分析、财务校验及企业知识库建设。

财务报告解析避坑指南：为什么三大表提取不该依赖 Prompt？（附GitHub项目地址）

大数据

后端

开发工具

"开箱即用的财务报表抽取工具，支持PDF/Excel年报自动提取资产负债表、利润表、现金流量表结构化数据。采用智能文档解析技术，精准处理跨页表格、合并单元格等复杂排版，输出标准化JSON/Excel格式。适用于投融资分析、财务校验等场景，提供稳定高效的表格定位与数据提取方案。"

结构化数据

GitHub

JSON

2026采购季 | AI焕新·智启新局

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

财务报告解析避坑指南：为什么三大表提取不该依赖 Prompt？（附GitHub项目地址）

财务报告解析避坑指南：为什么三大表提取不该依赖 Prompt？（附GitHub项目地址）

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐