wm-report-extractlisted

# 财报提取 对财报 PDF（年报/半年报/季报）做**内容理解**：先产出可提取性 meta 文件（这份财报有什么、在哪、质量如何），再**根据用户需求**做数据提取——要特定内容就提特定内容，要全量就全量提取。无预定义模式，需求驱动；每个提取值可溯源到 PDF 页码与原文。 ## 何时使用 - 「从 XX 年报里提取货币资金、前十大股东」 - 「把这份年报的核心数据全量提取出来」 - 「XX 年报第 N 页说了什么」 - 「深入解读这家公司的年报，需要的数据都拿出来」 ## 不要用本技能 | 用户说法 | 改用 | |----------|------| | 财报列表 / 最新年报 PDF 在哪 | 让用户提供 PDF 或公开直链（A 股可用巨潮资讯网 cninfo.com.cn） | | 三表数字、关键指标（平台口径） | 用本技能全量提取；WinMale 平台用户另可用 wm-statements / wm-data | | 本地没有 PDF 且无法下载 | 让用户提供文件或公开直链 | ## 依赖与预期 - 转换阶段需 `docling`+`pymupdf`（约 1-2GB，Python 3.10+，实测 docling 2.120.2 / PyMuPDF 1.24.14）；`scan/locate/cache` 无需。**解释器选择**：优先 `WM_REPORT_PYTHON` 指定的解释器，未设置时用 PATH 上的 `python3`；执行与依赖安装须用**同一个**已装 docling/pymupdf 的解释器，勿用 managed venv。 - 转换为双轨混合：Docling FAST 全档（版面/叙述/无框线表）+ PyMuPDF `find_tables` 接管有框线页表格（零幻觉、带单元格 bbox）+ ACCURATE 精修无框线报表页（约 10-24 页）。300 页年报约 **6-12 分钟**——**建议后台运行**；`--accurate` 可全档 ACCURATE（约 30-35 分钟，最高精度档）；sha256 缓存幂等，二次提取秒级命中。 - darwin 上默认 CPU（`--device cpu`），规避 MPS 内核崩溃。 - 本地已有 docling 模型缓存时**默认离线运行**（自动设 HF_HUB_OFFLINE，避免 HuggingFace revision 在线检查在网络波动时卡死转换；需更新模型时 `unset HF_HUB_OFFLINE TRANSFORMERS_OFFLINE`）。 ## 七步流程（必须按序，产物落缓存可审计） 脚本门面（路径按已安装 pack，下同）： ```bash python3 <skills_root>/wm-report-extract/scripts/wm_report.py <subcommand> ``` ### ① 获取 + 转换（fetch / convert） ```bash # 经 WinMale 平台查链接并下载（symbol 模式，可选；未接平台请用 --pdf-url 直链） python3 …/wm_report.py fetch --symbol 601633 --filing-type annual [--report-date 2025-12-31] # 或直链 / 本地路径 python3 …/wm_report.py fetch --pdf-url https://…/report.pdf p