機器怎麼讀懂財報：從 PDF 到結構化數據

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：

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：

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：

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：

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。

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：

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：

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

• PaddleOCR 實戰：83 秒提取港股年報財務數據：用開源 OCR 引擎 PaddleOCR 對港股年報做端到端實測，包含環境搭建與實作細節。
• 300 頁年報轉結構化 JSON：三表與分部數據：把本文的概念做成完整管線——300 頁年報到三表與分部數據的 JSON。
• 港股調研資訊源地圖：披露易、年報與第三方數據：年報與公告要去哪裡拿？港股調研的資訊源地圖。
• AI 在金融場景的幻覺風險：三種最貴的錯誤：為什麼「模型讀不到就編一個」是金融場景最貴的錯誤，以及四道防線。