2000~2025 年上市公司年报 PDF & TXT 文件合集

之前给大家分享过不少上市公司年报文本的处理结果，还给大家分享了上市公司年报的处理方法。Stata 处理年报文本的方法可以参考平台上的课程：

名师讲堂｜Stata 中文文本分析： https://rstata.duanshu.com/#/brief/course/b6a9efd94e5a48c2bba52dc9fdfd4291

R 语言处理年报文本的方法可以参考平台上的课程：

R 语言文本分析：https://rstata.duanshu.com/#/brief/course/bf37cf50eef04d38b43541cc52114c96

今天再跟大家分享下全部上市公司年报的爬取结果。上市公司年报的时间范围为 2000～2025 年，为了方便大家使用，我提供了 PDF 和 TXT 两种版本。

数据概览

各年上市公司年报数量如下：

为了方便大家使用，各年的文件我进行了分开存放。

这里简单介绍下 R 语言处理年报文本的方法，可以使用 pdftools 包提取 pdf 文本：

# pdf 文本提取

library(tidyverse)

library(pdftools)

# 单个文本的提取

pdftools::pdf_text("pdf/000006_2025_2025年年度报告.pdf")-> text

text %>%

paste0(collapse ="")%>%

str_remove_all("[\\s\\n\\t\\d[a-z].]")-> text

多个 pdf 文本可以使用类似下面的代码：

# 从文件名中提取股票代码和年份

fs::dir_ls("pdf")%>%

as.character()%>%

as_tibble()%>%

tidyr::extract(col = value, into =c("code","year"),

regex ="/(.*)_(\\d{4})_", remove =F)%>%

mutate(year =as.numeric(year))-> fl

fl %>%

filter(year ==2000)%>%

mutate(text = map_chr(value,function(x){

pdftools::pdf_text(x)%>%

paste0(collapse ="")%>%

str_remove_all("[\\s\\n\\t\\d[a-z].]")

}))-> textdf2000

由于 pdf 文件名称都是使用类似 000006_2025_2025年年度报告.pdf 的格式，所以可以很容易提取股票代码和年份。

更多关于上市公司年报文本处理的内容可以学习下面的课程：

使用 R 语言爬取全部上市公司的年报数据：https://rstata.duanshu.com/#/brief/course/6e8f8a1c6b2e4784974b1087fcbfc52c
名师讲堂｜上市公司数字赋能指数计算（数字技术应用程度指标）：https://rstata.duanshu.com/#/brief/course/cc1ce9aa0d12492e8bffe65feac54c63