企业官网建设流程全解析

简介：本资源为2026年第十四届泰迪杯数据挖掘挑战赛B题「上市公司财报智能问数助手」的完整题解方案，面向参赛队伍及需要金融NL2SQL与RAG实战案例的学习者。内容覆盖「规则+模型」双擎数据抽取、六维意图分类与高鲁棒NL2SQL引擎、基于DAG自主规划的RAG深度问答框架，并附近两万字Word论文、全链路Python代码及标准结果表，可直接参考或稍作修改用于竞赛提交。压缩包共281个文件，约551.43MB，以pdf、xlsx、png、py、json、csv、tsx等为主，分别对应论文文档、结果数据、图表、核心代码与全栈Web前后端源码，另含SQLite数据库与一键运行脚本。目前已有791人学习下载。读者可获得完整赛题方案、模块化代码、五维校验后的财报数据与提交模板，适合冲刺国奖的参赛者系统复现与查漏补缺。

1. 从一份年报 PDF 到一句人话答案：泰迪杯 B 题到底在考什么

如果你手里只有一份 300 页的上市公司年报 PDF，老板却问你「这家公司去年毛利率为什么掉了 3 个点」，你会怎么答？2026 第 14 届泰迪杯数据挖掘挑战赛 B 题，考的就是把这个问题变成一套能跑起来的系统——上市公司财报「智能问数」助手。它要的不是一个只会背指标的问答机器人，而是一条从财报文本抽取、指标计算、自然语言转查询、再到答案生成的完整链路。适合谁做？会一点 Python、懂点财务常识、想拿数据挖掘竞赛练手的学生和转行工程师。这一题真正的难点不在模型多大，而在财报表格结构乱、口径不统一、问法千变万化，下面把我拆解这套方案的完整思路讲清楚。

财报智能问数的核心矛盾是：财务数据高度结构化，但用户提问高度口语化。你不可能让用户去写 SQL，也不能指望大模型直接读 PDF 就能算对数。所以整套方案必须拆成三层——数据层把 PDF 变成干净的表，语义层把「毛利率」这类词映射到字段和公式，交互层把自然语言转成可执行查询再回填成人话。泰迪杯这类数据挖掘赛题，评分通常看三点：抽取准确率、问答命中率、系统能不能复现。全代码和论文的价值，就在于把这三层都落到可验证的脚本上，而不是停在架构图上。

2. 财报数据抽取：把 PDF 和 Excel 变成能算的表

2.1 为什么不能直接上大模型读 PDF

很多人第一反应是把年报 PDF 丢给大模型，让它直接回答。这条路在 demo 里能跑通，在比赛里必翻车。原因有三个：一是财报里的三张主表（资产负债表、利润表、现金流量表）是跨页的，PDF 转文本后行列会错位；二是同一家公司不同年份的科目名会变，比如「营业总收入」和「营业收入」混用；三是大模型算数不可靠，你问它「同比增长多少」，它可能给你编一个。

常见做法是先用规则把表格抽出来，再用大模型只做「字段对齐」这种语义活。抽取工具上，pdfplumber对有线表格友好，camelot对无框表格更稳，Excel 年报直接用pandas.read_excel配合header参数定位表头行。我一般会先写一个探测脚本，把每页的表格数量和前几行打出来，确认表头在第几行再批量抽。

import pdfplumber import pandas as pd def extract_tables(pdf_path, page_range=None): """抽取 PDF 中的表格，返回 DataFrame 列表""" tables = [] with pdfplumber.open(pdf_path) as pdf: pages = pdf.pages if page_range is None else pdf.pages[page_range[0]:page_range[1]] for page in pages: # 用 lines 策略识别有线表格，text 策略兜底无框表 for tbl in page.extract_tables({ "vertical_strategy": "lines", "horizontal_strategy": "lines", "intersection_tolerance": 5 }): if tbl and len(tbl) > 1: df = pd.DataFrame(tbl[1:], columns=tbl[0]) tables.append(df) return tables if __name__ == "__main__": dfs = extract_tables("annual_report.pdf", page_range=(40, 60)) for i, d in enumerate(dfs): print(f"--- table {i} shape={d.shape} ---") print(d.head(3))

这段代码的关键在extract_tables的参数字典。vertical_strategy和horizontal_strategy设成lines表示只认显式表格线，适合财报主表；如果某张表没有边框，就换成text策略，靠文字对齐推断列。intersection_tolerance控制线段交叉的容差，财报表格线经常断，设 5 能减少漏检。跑完先看shape和head，如果列名是None或者第一行是数字，说明表头行没对上，需要手动调page_range或加header偏移。

2.2 科目名对齐：用规则加语义匹配统一口径

抽出来的表最大的问题是科目名不统一。同一个「净利润」，有的年报写「归属于母公司股东的净利润」，有的写「净利润」。如果直接按字符串匹配，你的指标计算会漏掉一半。我的做法是维护一张标准科目表，然后用「精确匹配 → 别名表 → 语义相似度」三级兜底。

from difflib import SequenceMatcher # 标准科目与常见别名 STANDARD_MAP = { "营业收入": ["营业总收入", "营业收入", "主营业务收入"], "净利润": ["净利润", "归属于母公司股东的净利润", "归母净利润"], "资产总计": ["资产总计", "总资产", "资产合计"], } def normalize_subject(raw_name, threshold=0.75): """把原始科目名映射到标准名""" raw_name = str(raw_name).strip().replace(" ", "") for std, aliases in STANDARD_MAP.items(): if raw_name in aliases: return std # 语义兜底：找最相似的别名 best, best_score = None, 0 for std, aliases in STANDARD_MAP.items(): for a in aliases: score = SequenceMatcher(None, raw_name, a).ratio() if score > best_score: best, best_score = std, score return best if best_score >= threshold else None

STANDARD_MAP是这套方案的核心资产，比赛时可以根据抽到的年报不断补别名。normalize_subject先做精确匹配，命中就返回；没命中就用SequenceMatcher算字符相似度，threshold=0.75是经验值，太低会误匹配，太高会漏。返回None的科目要人工过一遍，往往是你别名表缺了条目。这一步做完，你才有资格谈「智能问数」，否则问出来的数都是错的。

3. 智能问数的语义层：把「毛利率」翻译成可执行查询

3.1 意图识别与槽位抽取的最小实现

用户问「2023 年贵州茅台的毛利率是多少」，系统要拆出三个槽位：公司=贵州茅台、年份=2023、指标=毛利率。意图就是「查指标」。这一步不需要上大模型，用规则加词典就能覆盖 80% 的赛题问法。我一般用jieba分词加正则抽年份和公司名，指标词走词典匹配。

import re import jieba INDICATOR_DICT = ["毛利率", "净利率", "营业收入", "净利润", "资产负债率", "ROE"] def parse_question(q): """解析问句，返回意图和槽位""" slots = {} # 抽年份：2023年 / 2023 year = re.search(r"(20\d{2})年?", q) slots["year"] = int(year.group(1)) if year else None # 抽指标 slots["indicator"] = next((w for w in INDICATOR_DICT if w in q), None) # 抽公司：去掉指标和年份后的名词短语 words = [w for w in jieba.cut(q) if w not in ("的", "是", "多少", "年", "请问")] slots["company"] = "".join(words).replace(str(slots["year"]), "").replace(slots["indicator"] or "", "") return {"intent": "query_indicator", "slots": slots} print(parse_question("2023年贵州茅台的毛利率是多少")) # {'intent': 'query_indicator', 'slots': {'year': 2023, 'indicator': '毛利率', 'company': '贵州茅台'}}

INDICATOR_DICT要覆盖赛题里出现的所有指标，jieba负责切词，正则负责抽年份。公司名抽取是最容易出错的，因为问句里可能带「的」「请问」这些噪声词，所以我在jieba.cut后过滤掉停用词再拼接。这套规则在问法规范的赛题里够用，但如果问句变成「茅台去年赚了多少」，就需要把「赚了多少」也映射到「净利润」，这属于同义词扩展，可以再加一层映射表。

3.2 指标计算：毛利率、净利率的公式与边界

抽到槽位后，真正算数的是指标计算模块。以毛利率为例，公式是(营业收入 - 营业成本) / 营业收入。但财报里「营业成本」可能叫「营业总成本」，两者差着期间费用，用错口径结果差很多。所以计算前必须确认科目映射正确。

def calc_indicator(df, indicator, year): """从标准化后的 DataFrame 计算指标""" row = df[df["year"] == year] if row.empty: return None r = row.iloc[0] if indicator == "毛利率": return (r["营业收入"] - r["营业成本"]) / r["营业收入"] if indicator == "净利率": return r["净利润"] / r["营业收入"] if indicator == "资产负债率": return r["负债合计"] / r["资产总计"] return None

calc_indicator假设df已经过科目对齐，列名是标准名。row.empty判断年份是否存在，避免 KeyError。每个公式都要处理分母为零的情况，财报里偶尔有营收为零的壳公司，直接返回None比抛异常好。这张表建议直接抄进论文，评委看的就是你对口径的理解。

4. 避坑与排查：财报问数最容易翻车的 5 个地方

4.1 表格跨页导致数据截断

现象：抽出来的利润表只有上半部分，下半部分的「净利润」行不见了。原因是 PDF 里表格跨了两页，pdfplumber按页抽，第二页的表头被当成新表。解决：先按页抽，再用科目名做锚点合并，或者用camelot的flavor="stream"跨页模式。我一般会在抽取后检查每张表的行数，少于 5 行的表大概率是截断的。

4.2 单位不统一：万元和元混用

现象：算出来的毛利率是 3000%，明显不对。原因是有的年报用「万元」为单位，有的用「元」，你直接拿两个不同单位的数相除。解决：抽取时保留表头里的单位信息，统一换算成元再计算。可以在normalize_subject里加一步单位检测，遇到「单位：万元」就给整表乘 10000。

4.3 年份槽位抽错：把「2023 年年度报告」当成查询年份

现象：用户问「2022 年净利润」，系统返回了 2023 年的数。原因是问句里同时出现「2022」和「2023 年年度报告」时，正则匹配到了后者。解决：优先匹配「20XX 年」且后面不跟「年度报告」的模式，或者用re.findall取所有年份后选最靠前的。

4.4 指标同义词漏配

现象：用户问「净资产收益率」，系统识别不出指标。原因是词典里只有「ROE」。解决：维护同义词表，ROE、净资产收益率、权益报酬率都映射到同一个标准指标。这个表越全，问答命中率越高。

4.5 大模型幻觉：答案里编造数字

现象：系统回答「毛利率为 45.6%」，但实际计算是 42.1%。原因是把计算结果交给大模型润色时，模型自己改了数。解决：数字必须由计算模块生成，大模型只负责组织语言，且要在 prompt 里明确「只能使用给定数字，不得修改」。更稳的做法是模板化生成，数字直接填槽。

5. 从能跑到能拿奖：验证方法与一个提分技巧

5.1 用留出集验证问答命中率

比赛评审看的是泛化能力，所以你必须自己造一个验证集。做法是从年报里人工挑 50 个问题，覆盖不同指标和年份，跑一遍系统，统计命中率。命中率分两层：槽位抽取准确率和最终答案准确率。槽位错了，答案肯定错；槽位对了但计算错，说明科目映射有问题。我一般会写一个eval.py，把问题和标准答案存成 CSV，批量跑完输出混淆矩阵。

import pandas as pd def evaluate(qa_csv, parse_fn, calc_fn): """批量评估问答命中率""" df = pd.read_csv(qa_csv) # 列：question, std_answer hit = 0 for _, row in df.iterrows(): parsed = parse_fn(row["question"]) pred = calc_fn(parsed["slots"]) # 数值容差 1% if pred is not None and abs(pred - row["std_answer"]) / row["std_answer"] < 0.01: hit += 1 return hit / len(df) # 用法：print(evaluate("qa.csv", parse_question, my_calc))

qa_csv至少 50 条，std_answer是人工算好的标准值。容差设 1% 是因为财报四舍五入会有误差。这个脚本跑出来的数字直接写进论文的实验部分，比空谈「效果良好」有说服力得多。

5.2 一个提分技巧：把问句模板化再匹配

赛题里的问法其实很有限，与其硬做语义理解，不如把常见问法总结成模板。比如「{年份}{公司}的{指标}是多少」「{公司}{年份}的{指标}同比变化」。用模板匹配，命中率能到 90% 以上，剩下的长尾再交给规则兜底。我去年做类似赛题时，就是靠这一招把问答准确率从 70% 拉到 88%。具体做法是先用jieba分词，再和模板做编辑距离匹配，取最相似的模板填槽。

TEMPLATES = [ "{year}{company}的{indicator}", "{company}{year}的{indicator}", "{year}{company}{indicator}是多少", ] def match_template(q): """返回最匹配的模板和槽位""" best, best_score = None, 0 for t in TEMPLATES: # 把模板转成正则，槽位用 .+? 匹配 pattern = re.sub(r"\{(\w+)\}", r"(?P<\1>.+?)", t) m = re.search(pattern, q) if m: score = len(m.group(0)) / len(q) if score > best_score: best, best_score = m.groupdict(), score return best

TEMPLATES要按赛题问法不断补充，re.sub把{year}这种占位符转成命名捕获组，match_template返回槽位字典。这个方法的边界是问法必须和模板结构相似，如果用户问「茅台和五粮液谁更赚钱」，模板匹配就失效了，需要走对比查询的专门逻辑。但赛题里这种开放问法占比不高，先把高频模板吃透，性价比最高。

最后说个血泪经验：别等到最后一周才跑全量数据。财报 PDF 的坑是抽着抽着才冒出来的，越早跑通一条完整链路，越有时间补别名表和模板。我一般第一天就把抽取、计算、问答串成一个最小闭环，哪怕只支持一个指标，后面所有优化都是在这个闭环上迭代。希望帮到你。

本文还有配套的精品资源，点击获取