李晓彤 4201474
import os
import re
import fitz
import csv
filenames = os.listdir()
prefix = '公开发行证券的公司信息披露内容与格式准则第2号'
pdf = [f for f in filenames if f.startswith(prefix) and f.endswith('.pdf')]
year = [f[-12:-5] for f in pdf]
for f in pdf:
print(f)
print(year)
公开发行证券的公司信息披露内容与格式准则第2号——年度报告的内容与格式(2012年修订).pdf 公开发行证券的公司信息披露内容与格式准则第2号——年度报告的内容与格式(2016年修订).pdf 公开发行证券的公司信息披露内容与格式准则第2号——年度报告的内容与格式(2017年修订).pdf 公开发行证券的公司信息披露内容与格式准则第2号——年度报告的内容与格式(2021年修订).pdf ['2012年修订', '2016年修订', '2017年修订', '2021年修订']
将原始文件导入软件中并读取,输出文件名称并提取年份相关字符
def getText(pdf):
text = ''
doc = fitz.open(pdf)
for page in doc:
text += page.getText()
doc.close()
return(text)
def getSubtext(pdf):
text = getText(pdf)
p1 = re.compile('第二章\s*年度报告正文(.*)第三章\s*年度报告摘要',re.DOTALL)
subtext = p1.search(text).group(0)
return(subtext)
提取文件文本内容
def getTOC(pdf):
subtext = getSubtext(pdf)
p = re.compile('(?<=\\n)(第\w{1,2}节)\s+(.*)(?=\\n)')
listOftuple = p.findall(subtext)
return(listOftuple)
toc = [getTOC(f) for f in pdf]
for t in toc:
for item in t:
print(item)
print('\n')
('第一节', '重要提示、目录和释义') ('第二节', '公司简介') ('第三节', '会计数据和财务指标摘要') ('第四节', '董事会报告') ('第五节', '重要事项') ('第六节', '股份变动及股东情况') ('第七节', '董事、监事、高级管理人员和员工情况') ('第八节', '公司治理') ('第九节', '内部控制') ('第十节', '财务报告') ('第一节', '重要提示、目录和释义') ('第二节', '公司简介和主要财务指标') ('第三节', '公司业务概要') ('第四节', '经营情况讨论与分析') ('第五节', '重要事项') ('第六节', '股份变动及股东情况') ('第七节', '优先股相关情况') ('第八节', '董事、监事、高级管理人员和员工情况') ('第九节', '公司治理') ('第十节', '公司债券相关情况') ('第十一节', '财务报告') ('第十二节', '备查文件目录') ('第一节', '重要提示、目录和释义') ('第二节', '公司简介和主要财务指标') ('第三节', '公司业务概要') ('第四节', '经营情况讨论与分析') ('第五节', '重要事项') ('第六节', '股份变动及股东情况') ('第七节', '优先股相关情况') ('第八节', '董事、监事、高级管理人员和员工情况') ('第九节', '公司治理') ('第十节', '公司债券相关情况') ('第十一节', '财务报告') ('第十二节', '备查文件目录') ('第一节', '重要提示、目录和释义') ('第二节', '公司简介和主要财务指标') ('第三节', '管理层讨论与分析') ('第四节', '公司治理') ('第五节', '环境和社会责任') ('第六节', '重要事项') ('第七节', '股份变动及股东情况') ('第八节', '优先股相关情况') ('第九节', '债券相关情况') ('第十节', '财务报告')
提取目录并输出
def getTOC_content(pdf):
subtext = getSubtext(pdf)
p = re.compile('(?<=\\n)(第\w{1,2}节)\s+(.*)(?=\\n)')
index = []
for match in p.finditer(subtext):
s = match.start()
e = match.end()
index.append((s,e))
content = []
for i in range(len(index)-1):
s = index[i][1]
e = index[i+1][0]
content.append(subtext[s:e])
last_start = index[-1][1]
last_end = subtext.rfind('\n第三章')
content.append(subtext[last_start:last_end])
return((index,content))
list_of_content = [getTOC_content(f) for f in pdf]
提取各个章节内容
def export_to_html(pdf,toc,content,year):
f = open('homework2_output_template.html', encoding='utf-8')
html = f.read()
f.close()
template ="""
<div>
<h3>%s</h3>
<p>%s</p>
</div>
"""
toc_list = [t[0]+' '+ t[1] for t in toc]
div = [template % (t,c) for (t,c) in zip(toc_list, content)]
div = ''.join(div)
html = html % div
f = open('年报格式准则_%s.html' % year, 'w',encoding='utf-8')
f.write(html)
f.close()
return()
content_list = [c[1] for c in list_of_content]
for i in range(len(content_list)):
export_to_html(pdf[i], toc[i],content_list[i],year[i])
关联空白html文件,令其导出对应年份html格式文件