一、前言

1. 突发奇想

最近股市又火了，所以我也在琢磨买基金的事情，但根据以往的经验，其实大家都是稀里糊涂在买。比如人工智能火，可能就找名字跟人工智能靠边的，但实际上可能只是做些边角料的供应商。主要痛点在于，某一只基金我们很难通过名字就能确定它的投资标的。所以我们要看一下它的持仓对吧，然后根据持仓来分析这个基金的真实投资情况。然后一家家看肯定不行的，所以得找API接口或者csv文件的形式。这样我拿到持仓数据之后，还可以做进一步的分析，比如说我想找人工智能相关的基金，我可以对全量股票做一个含量评估（这个可以交给AI或者再讨论），再根据人工智能含量来评估各基金的人工智能综合含量。对吧，挺有想象空间的。

2. 不好弄

我先是找有没有csv文件，自然是没有的，然后豆包告诉我有一些接口可以API的形式提供，比如tushare，我也找了，还花了点钱试用一下。结果发现数据很多错误，有点难顶。所以我对其他接口也持怀疑态度了，那就只能自己搞！

经过摸排发现，公募基金的持仓数据其实会定期公布的，有一个公布的平台，还能下载下来（PDF格式）。

3. 尝试AI

我最开始的方案是将pdf文件上传给AI，让AI直接将持仓数据输出成文件，尝试了市面上所有主流的AI，最后豆包全面获胜（国外的也试了，真的不太行）。一个个文件太麻烦对吧，所以我又改成文件链接的形式喂给豆包，也成功了。但仅季度报可行，年报、半年报不可行，因为免费的太慢甚至会卡死，收费的太贵（我用coze实现了链接投喂直接返回持仓数据，但每次要消耗3万-9万token，搞不起）！

4. 不太完美的解决方案

世事往往如此，优美的方案总是需要花很多钱，而苟的方案不花钱但是很丑。所以我将任务进行了拆解：

1）爬链接并下载全量PDF文件

2）获取持仓数据的页码

3）根据页码对PDF文件进行裁剪

4）将裁剪后的PDF文件转成txt格式

5）从txt里提取需要的持仓信息并保存成csv和excel格式的文件

6）将excel格式的持仓信息文件转存成PDF

7）转存的持仓信息PDF文件与原始的PDF文件进行比对

上述步骤除最后一步是人工操作外，其他步骤全都是依靠豆包提供的python代码实现的，当然并不是光提需求豆包就会给你完美的代码，中间也花费了不少时间去调试。执行的代码也是拆解成了很多份：

二、实施步骤

1. 爬链接并下载PDF文件

爬链接比较简单，我用的八爪鱼，咔咔一会就爬了2000多个链接，接着就根据链接去下载，就是“0_downPDF.py”，代码概览。

全部代码都是豆包写的，需要的话可以留言我给你发。

这里我是分批下载和处理的，第一批先弄50个链接试试水。下载到SPDF1目录，结果是这样的PDF文件：

7.3这里就是全量的持仓信息了。

2. 获取持仓数据的页码

可以看到持仓数据都放在7.3这个章节下一个章节是7.4，所以我可以先找到7.3、7.4的页码，后面再根据这两个页面去做PDF的裁剪。

依旧是豆包给的代码：

实践发现，7.3这个章节名，有些基金公司给的文件可能会有出入，比如漏了空格、少几个字，所以还得做模糊识别。将识别结果放到“文件路径及页面1.csv”，将能找到章节的PDF放到“OKPDF1”目录，找不到章节或有任何其他异常的PDF文件放到“NOPDF1”目录。结果如下：

实际上这是我微调后的，在识别章节标题时总是会有一些问题，需要调整下。这样我们就得到了PDF路径和重要章节的页码。

3. 根据页面进行PDF裁剪

读取前面落的文件，我们知道文件路径和页码，直接用python代码进行文件裁剪，自然还是豆包提供的代码。裁剪逻辑是保留2.1这一页，因为有基金的基本信息，保留7.3至7.4的页码，因为持仓信息就在这中间，其他页码全部删除。裁剪后的结果放到“CUTPDF1”，代码概览：

4. 裁剪后的PDF转txt

这一步的目的是为了方便后续信息的提取，那有人要问了，pdf不能直接提取数据吗？可以是可以的，但PDF里带了一些格式信息（比如表格），可能会影响解析（没验证，后面试下）。所以最稳妥还是先转成txt文本，把格式信息都去掉，只对纯文本处理感觉更简单一些。代码概览：

结果存放到“TXT1”目录，结果示例：

5. 提取持仓信息

这里我存了两个格式csv和excel，我们实际需要的是csv格式，比较方便后续的处理，那为啥还需要excel呢，因为我们提取持仓信息后还得校验一下，如果靠人工眼睛去核对，那眼睛看瞎了2000个文档不知道能不能比对的过来。所以势必要用自动识别，正好WPS就有这样的功能，但仅限同格式文件，比如pdf和pdf进行对比，所以我们又需要将提取的持仓数据转成pdf格式。在csv文件转pdf时总是会有各种问题最终发现excel可以完美转pdf，所以这里我们分别存csv格式和excel。代码概览：

结果：

6. Excel格式的结果转pdf

比较简单，代码示例：

结果示例：

7. 比较核对

怎么知道我们提取的持仓数据都是对的呢，自然是需要做校对的，人工一行行看数据眼睛会瞎，所幸我们有wps。虽然也有脚本可以实现批量比对，但比对结果太乱了根本看不明白，还是我们肉眼看一遍稳妥：

有一说一，这个功能还是很强的，要知道我是拿最终结果和包含了大量冗余信息的原始文档进行比对。我还试过将某个数字特意改了一下，没想到能精确识别出来。所以只要比对结果中数据没有被圈起来，就是没问题的，它可以自动略过冗余信息做特定数据的比对。

三、总结

本文篇幅很长，代码因为篇幅原因就不全部po出来了，需要的可以留言我给你发。

整个过程虽然都是依靠豆包实现的，但还是踩了很多坑，最早从12月中旬就开始弄了，一直到现在1月底才搞定。

跑代码比如下载、识别、提取什么的都还好，人工比对真的太耗精神了，我目前做了50个pdf的提取和比对，花了约60分钟，一共有2300个pdf，那单2025年的中报就需要最少46个小时，每天花2个小时也得一个月才搞得完，我滴天。马上又是2025年年终报了，我滴天。请有同样需求的友友立即联系我，我免费提供全套解决方案，手把手给你教会，你把结果跟我共享就行了。

其次说下我这个系列，从名字就能看出来，我准备靠AI来做100个小项目，AI改变生活嘛。一方面通过这个系列来熟悉AI，其次也是完成一下我年轻时的梦想（瞎折腾的梦想），现在有了AI真的好多疯狂的想法都可以实现了！你要是有什么想法也可以留言，我们一起来研究。

最后给大家汇报一下我目前的体会：AI目前还是“强大的小脑”，举例来说，它可以提升你单项能力，但最终产出还得靠你来组合，如果你想让它咔咔直接实现你的需求可能还没那么厉害。以本篇为例，一开始的解决方案其实就是让AI直接读取pdf文件把持仓信息提取出来，直接落文件，也真的可以实现。但我们终端用户能够使用的资源太有限，一次处理不了太多信息，一旦PDF太大就玩不动了。所以最终我是借助AI的能力将需求进行拆解，最终我再来组装一下。

OVER，如果对后续其他AI实践项目有兴趣的话，欢迎关注我！