Agentic Research
中文
English Edition/Learn

This article is not yet available in English. You are reading the Traditional Chinese original. The English edition will appear here once it is translated.

Browse articles that do have an English edition

機器怎麼讀懂財報：從 PDF 到結構化數據

2026/09/3010 min readBryan Chan閱讀中文原文
Topics財報解析OCRAI Agent港股

要做「AI 讀財報」，第一步不是挑模型，而是搞清楚一件事：你手上的 PDF，機器到底讀不進去。 很多人把年報丟給 AI 之後對結果失望，問題往往不在 AI 不夠聰明，而在文件根本沒有以機器可讀的形式進入模型。這篇把「從 PDF 到結構化數據」的路徑完整拆開：三種讀取方式、財報表格為什麼特別難、OCR 之後為什麼必須人工校對，以及最後應該輸出成什麼格式。

三種路徑：先判斷你的 PDF 是哪一種

先建立一個基本觀念：PDF 是「版面描述格式」，不是「數據格式」。 它記錄的是「在這一頁的這個座標畫哪個字」，而不是「這個數字是營業收入」。機器要讀懂財報，得先把版面還原成有意義的結構。

按這個標準，年報 PDF 分成三種，處理路徑完全不同：

PDF 類型特徵讀取路徑難度
文字層 PDF（數位原生）游標可以直接選取文字，複製出來是正確字元直接抽取文字層，不需要 OCR低
掃描檔 PDF（圖像）游標選不到文字，每一頁本質上是一張圖片必須先 OCR：從圖像辨識出文字高
混合型部分頁面可選取、部分不可逐頁判斷，分別走兩條路徑中

判斷方法很簡單：打開 PDF，試著用游標選取一段文字。選得到、複製出來正確，就是有文字層；選不到，是掃描檔；選得到但複製出來是亂碼，代表內嵌字體缺少正確的編碼對應表，實務上也要當掃描檔處理（轉圖像後 OCR）。港股年報三種都有：近年的報告多數是文字層，年代較久的報告掃描檔比例明顯更高，所以做歷史數據時更要逐份檢查。

三個技術名詞，一次講清楚：

名詞回答的問題說明
文字層抽取「這頁有哪些字？」直接讀 PDF 內嵌的文字資訊，速度快、準確率高，但只給你字，不給你結構
OCR（光學字元辨識）「這張圖片上有哪些字？」從圖像辨識文字，會輸出每個字的內容與信心度；辨識錯誤無法完全避免
版面分析「這些字是什麼關係？」判斷一塊文字是標題、內文還是表格儲存格，屬於表格的哪一列哪一欄。財報以表格為主，缺了版面分析，抽出來的數字就是一堆散沙

為什麼財報表格特別難

文字抽取只是入門。真正的難點在於，財報表格幾乎集中了所有讓機器頭痛的版面問題：

難點具體形態機器處理不好時的後果
跨頁表格附註裡的長表被切成兩頁，第二頁表頭可能只剩「（續）」兩個字第二頁的數字失去行標籤與列標籤，張冠李戴
合併儲存格「其中：」下面的子項共用一個大類標籤機器把子項當獨立行，數字層級錯亂
附註編號報表本體寫「見附註 18」，真正的數字在幾十頁之後只抽報表頁拿不到完整資訊，抽錯附註更危險
單位與幣別表頭寫著「人民幣千元」「港幣百萬元」漏讀這一行，所有數字錯幾個數量級
負數表示財務報表慣例用括號表示負數，不用減號括號被丟掉，方向整個相反
多年度欄位本期與上期欄位並排，有的還加比較附註欄位錯位，把上一年的數字當成本期
腳註與星號數字後面跟著上標 a、b、c，對應頁底說明上標在抽取時丟失，或被誤讀成數字的一部分

其中最陰險的是跨頁表格與單位。跨頁表格的錯誤是「看起來完全正常」的：每一行都有數字，只是配錯了標籤，除非你回去看原始頁面，否則不會發現。單位的錯誤則是系統性的：表頭一個「千元」沒讀到，整張表全部放大或縮小一千倍，而且表內部的加總關係依然成立，勾稽檢查也抓不出來——這類錯誤只能靠「錨點數字對帳」防住（下文與 300 頁年報轉結構化 JSON：三表與分部數據 會展開）。

工具選型：三代技術路線

讀財報的工具大致經歷了三代路線，選型時按手上的文件類型匹配，而不是追新：

路線適用場景優點主要風險
版面解析函式庫文字層 PDF快、便宜、結果確定（同樣輸入永遠同樣輸出）依賴 PDF 內部結構，版面稍特殊就容易解析失敗
OCR＋版面分析引擎掃描檔、混合文件通吃所有文件類型，開源方案成熟辨識錯誤不可完全避免，必須配校對環節
多模態大模型（VLM）快速原型、版面極複雜的文件省事：頁面圖像進去、結構化結果出來幻覺：讀不到時可能「憑常識」補一個而不是承認讀不到；逐頁成本較高

第一代路線的常見選擇是開源的 PDF 解析函式庫（例如 pdfplumber、PyMuPDF 這類工具），按座標與線框把文字和表格抽出來。第二代路線以 PaddleOCR 等開源引擎為代表，本站對港股年報做過完整的端到端實測，見 PaddleOCR 實戰：83 秒提取港股年報財務數據。第三代路線目前最活躍，也最需要警惕：「什麼都能讀」的模型，同時也是「什麼都敢編」的模型——用它時必須搭配下文的人工校對與勾稽機制，而且數字類產出一律回查原頁。

三代路線並不互斥，實務上常混用：文字層頁面走解析函式庫，掃描頁面走 OCR，兩條路結果分歧的頁面才交給人工或多模態模型裁定。這樣成本最低，而且每一頁的處理路徑都有記錄可查。

OCR 之後：為什麼還需要人工校對

OCR 引擎會對每個辨識結果給出一個信心度（confidence，介於 0 與 1 之間的數值，代表引擎對自己這次辨識的把握）。信心度高不等於正確，但在財務場景，辨識錯誤的代價結構非常不對稱：錯誤率很低，但單個錯誤的代價極高。

錯誤類型辨識錯誤示例後果
形近字元混淆1 與 7、0 與 8、5 與 6 互認單一數字差數倍
千分位符號逗號被誤讀成 1 或小數點數量級錯誤
小數點位置小數點漏認或錯位十倍、百倍偏差
負號遺失括號或減號沒被當成數字的一部分方向反轉，資產變負債
行列錯位版面分析把數字配到隔壁科目數字本身對，意義全錯

所以實務上不是「要不要校對」，而是「怎麼校對才劃算」。四條策略：

  1. 分級校對：三大報表與關鍵附註全量校對；董事會報告、業務回顧等文字頁抽樣即可。
  2. 先錨點、後明細：先核對「應該平」的數字——各表的合計、小計、勾稽關係（例如資產總計是否等於負債加權益）。錨點全對，代表大結構沒塌；再抽查明細項。
  3. 雙引擎比對：同一頁用兩個不同的 OCR 引擎（或不同模型）各跑一次，結果一致的自動通過，不一致的才進人工。人力集中在分歧點，效率最高。
  4. 低信心優先：保留每個數字的信心度，按信心度由低到高排序人工核對，把時間花在刀刃上。

結構化輸出：JSON schema 的概念

抽取的終點不是「一堆文字」，而是「可查詢、可校驗、可比對的數據」。這裡需要兩個名詞：

  • JSON：一種用鍵值對儲存資料的文字格式，機器與人都讀得懂，是結構化數據的事實標準。
  • Schema（綱要）：對「這份 JSON 應該有哪些欄位、每個欄位是什麼型別、哪些必填」的書面約定。可以理解成一張制式表格的模板：先定好格子，資料只能填進格子裡。

財報結構化最重要的設計原則只有一條：每個數字都要帶著三樣東西一起存——數值本身、來源座標（第幾頁）、處理狀態（校對過沒有）。 以下為教學用假設數字，非任何真實公司：

{
  "meta": {
    "company": "教學用假設公司",
    "fiscalYear": "2025",
    "currency": "HKD",
    "unit": "thousand",
    "sourceFile": "ar2025.pdf"
  },
  "incomeStatement": {
    "revenue": {
      "value": 1000000,
      "page": 88,
      "ocrConfidence": 0.99,
      "humanVerified": true
    },
    "grossProfit": {
      "value": 300000,
      "page": 88,
      "ocrConfidence": 0.97,
      "humanVerified": false
    }
  }
}

注意範例裡的細節：幣別與單位寫在 meta 而不是靠人記憶；每個數值都掛著頁碼；humanVerified 明確標出哪些數字還沒人看過。這樣的設計帶來三個好處：

好處說明
可校驗欄位缺失、單位未宣告，程式可以直接報錯，不靠自覺
可比對多份年報用同一套 schema，就能直接合併成多年數據表
可回溯三個月後質疑任何一個數字，都能沿著頁碼回到原始文件

完整的 schema 設計、欄位對應與勾稽校對機制，在 300 頁年報轉結構化 JSON：三表與分部數據 有端到端的實作。

AI 會在這裡出錯

最後照本站慣例，把這一環節的典型錯誤與驗證方法整理成清單：

出錯形態為什麼危險驗證方法
把掃描檔直接丟給對話模型要數字模型讀不到圖像內容時，可能「憑常識」編一個合理數字給你，而不是告訴你讀不到先確認 PDF 類型；要求模型回報「無法讀取」而不是猜測
單位假設錯誤模型不看表頭的「千元」「百萬元」，用預設單位輸出每個抽取結果強制帶單位與幣別欄位
跨頁表格靜默配錯輸出看起來完全正常，錯誤無法從結果本身發現對照原始頁面抽查跨頁表格的接續處
把信心度當準確率信心度 0.99 只代表引擎自認有把握，不代表對關鍵數字一律人工回看原頁，不信任何單一指標

發布前的最終檢查清單：

  • 已確認每份 PDF 的類型（文字層／掃描／混合）
  • 每張表的單位與幣別都已記錄在結構化數據中
  • 錨點數字（各表合計與勾稽關係）已對帳通過
  • 關鍵數字已抽樣回看原始頁面
  • 每個數字都保留來源頁碼與校對狀態

下一步

More in Learn