资产负债表、利润表、现金流量表：
关键科目行数据自动导入Excel

为什么财务报表提取比发票难得多

发票的数据提取已经被解决得很好——字段位置相对固定（发票号通常在右上角，金额在右下角），一张发票通常只有一个供应商。但财务报表是另一回事。以下三个结构性问题让常规 OCR 方案在面对财务报表时效率骤降：

面对这些结构性问题，市面上的方案大致分为两类。而这两类方案各自有一个盲区，恰好对应了"多公司多格式关键行提取"这个最常见的实操需求。

两类传统方案的盲区

理解现有方案的局限，才能准确判断"AI 语义提取"解决的是什么层级的问题。这不是说它们不好——它们各自在特定场景下非常有效，只是在"跨公司跨格式只提取关键行"这个需求面前都有一块覆盖不到的盲区。

第一类：模板/区域 OCR。这是最传统的路径——为每种报表格式设置数据捕捉区域或关键词匹配规则。中国市场上大量企业级财报识别工具（合合信息 TextIn、致宇 FAST 等）底层都依赖这一类机制，配合科目字典做标准化匹配。在格式规范、来源单一的场景下（如银行内部系统对接、同一审计机构出具的标准报告），效果很好。但盲区也很明确：每新增一种报表格式就需要新增一套模板或调整规则；当同一批次里有 PDF、扫描件、手机照片三种输入形态时，即便是同一家公司的同一份报表，也需要三套不同的处理逻辑。模板方案的维护成本随格式多样性线性增长。

第二类：RPA 工作流。达观数据等厂商的方案是让 RPA 机器人模拟人工操作——登录系统、导出报表、按预设规则填表。这类方案的价值在于流程自动化（从系统到系统），而非数据理解。当输入源本身就是非结构化的纸质扫描件或翻拍照片时，RPA 需要前端 OCR 模块支撑，最终还是回到第一类方案的问题上。

这两类方案的共同假设是"报表的物理格式决定了数据的位置"——它们本质上都是基于位置（Position-Based）的提取。真正的范式迁移是转向基于语义（Semantic-Based）的提取：你告诉 AI 你要什么数据，AI 自己理解文档内容找到它。

语义提取——让 AI 理解"货币资金"的含义

基于语义的提取和基于位置的提取，本质区别不在于准确率高低，而在于"谁定义规则"。在位置提取的范式下，是人（或模板）告诉机器"货币资金在第5行第3列"。在语义提取的范式下，是你只告诉机器"我要货币资金这一行的数据"，机器自行在文档中定位。

这背后是视觉大模型（Vision Language Model）与传统 OCR 引擎在处理文档时的根本差异：

具体到简录AI 的工作方式：你在平台上输入想要的科目名称作为列名——比如"货币资金""应收账款""存货""固定资产合计""短期借款""营业收入""营业成本""净利润""经营活动现金流量净额"——然后上传8家公司的 PDF 或扫描件。AI 逐份阅读每份报表，不是按坐标找，而是理解"这张页面上哪一行是货币资金"。无论这一行出现在第3页还是第7页，无论列名是"期末余额"还是"期末数"，AI 都能定位并把数值填入对应的列。

这也就是简录AI 的自定义列名提取机制——你定义的列名，就是最终生成 Excel 的列标题。你不定义列名时，AI 也会自动识别报表内容生成结构化表格。但财务报表场景下，定义列名的价值特别大：你可以只提取你需要的那十几行关键科目，而不是把整张表都搬进 Excel 再手动删减。

操作流程：从多份财务报表到一个 Excel

整个过程不需要模板配置、不需要模型训练、不需要写代码。以下是完整的四步操作流程：

关键是第三步中 AI 的定位逻辑：同一份报表的 PDF 版和手机翻拍版，列的位置不同、图片倾斜、甚至部分文字模糊——AI 依然能定位"货币资金"这一行。因为它不是在看坐标，是在看内容。

三种典型场景

以下是财务工作中最常见的三个多报表处理场景，每个场景的核心痛点不同，但解法相同——语义提取 + 批量合并。

场景一：投资尽调——多标的财务数据对比

投资经理或风控分析师需要同时评估3-5家目标公司的财务状况。每家公司提供的材料包括近三年审计报告（PDF）、最近一期财务报表（Excel 导出或扫描件）、以及管理层提供的补充数据。你的任务是提取每家公司的核心财务指标行——货币资金、有息负债、营业收入、扣非净利润、经营性现金流——填入估值模型。

传统做法是逐个打开 PDF，找到资产负债表和利润表，逐行抄录数字到 Excel。按每家公司15分钟、5家公司计算，光是数据录入就超过一小时。审计报告里财务报表可能分散在30-80页之间，光是翻到正确页码就要额外花时间。

用语义提取的流程：一次性上传5家公司的全部材料 → 定义12个关键科目列名 → AI 自动从每份报告中定位对应的科目行数据 → 导出5列×12行的对比表。关于尽调场景下财务报表提取的更深入讨论（包括如何配合银行流水和合同验证数据一致性），可参阅我们关于尽调中的财务报表数据提取的文章。

场景二：集团合并报表——多子公司数据汇总

集团财务部门每月/每季度需要汇总各子公司的财务报表。子公司可能分布在不同的城市或国家，使用不同的 ERP 系统（用友、金蝶、SAP 等），上报的报表格式各不相同。财务人员需要把每家子公司的科目数据录入合并工作底稿，做内部交易抵消后再生成合并报表。

这个场景的挑战不是单份报表的复杂性，而是跨实体的一致性——确保"应收账款"在每个子公司都被正确识别和提取。语义提取的优势恰好在这里：你只需定义一次科目列名（如"应收账款""存货""营业收入"），AI 在所有子公司的报表中都用同一套语义标准去匹配，避免了人工判断口径不一致的问题。

场景三：信贷审批——批量财报数据提取

银行信贷部门或融资租赁公司每天需要审核多份贷款申请。每家申请企业提交近两年的审计报告和最近一期的财务报表。风控人员需要提取总资产、净资产、有息负债、营业收入、净利润、经营性现金净流量等指标，计算偿债能力和经营稳定性。

这个场景的特点是文件量大、时效要求高。一份贷款申请从受理到初审通常只有1-2天，而信贷员手头可能同时有十几份申请在排队。批量语义提取将每份报告的科目数据提取压缩到几十秒——与银行对账单提取类似，核心价值都是把重复性手工操作从财务人员的时间表中移走，让精力集中在分析和判断上。

常见问题

AI 能区分"期末余额"和"期初余额"吗？

能。财务报表通常有两列数值——"期末余额"和"期初余额"（或"期末数"和"年初数"）。简录AI 默认提取期末余额列的数据。如果你需要期初余额，可以在列名中注明，例如"货币资金（期初余额）"，AI 会按你的指令定位对应列。

能处理合并报表和母公司报表并排的情况吗？

可以，但需要在列名中指定。如果审计报告把合并报表和母公司报表并列展示（通常各有一组"期末余额/期初余额"列），你在列名中加入"合并"或"母公司"即可，如"货币资金（合并）""货币资金（母公司）"。AI 根据语义区分不同数据集。

手写批注或印章遮挡的报表能识别吗？

简录AI 的视觉大模型对手写字、印章遮挡有一定鲁棒性。但如果手写批注完全覆盖了科目名称或数字，识别的可靠性会下降——这是所有 AI 视觉方案共有的物理限制。建议优先使用干净的扫描件或 PDF 原件。

科目措辞不统一怎么办？比如"应交税费"和"应交税金"。

AI 会自动将语义相近的科目名称视为同一科目。你只需在列名中使用一种表述（如"应交税费"），AI 在各份报表中遇到"应交税金""应缴税费"等变体时会自动匹配。但如果某家公司的报表使用的是完全不同的科目体系（如海外 IFRS 报表），建议为该公司单独定义一次列名。

能提取附注里的数据吗？

简录AI 当前对结构化表格的数据提取效果最好。财务报表附注通常是纯文本段落，其中嵌入的数字可以从上下文中提取，但精度不如结构化表格。如果需要提取附注中的特定信息（如关联方交易金额、预计负债明细），建议在列名中对要提取的内容做更具体的描述。

数据安全吗？

简录AI 处理完成后不会永久存储你的文件。如果你有更高的数据隐私要求（如尽调信息不能上传公有云），建议联系官方了解私有化部署选项。