使用BeautifulSoup提取财务数据后转DataFrame失败，求处理方案

pd.read_csv只适用于有明确分隔符的结构化文本，你的无分隔连续文本肯定用不了，得用正则表达式来匹配提取关键信息，下面是具体操作步骤：

1. 先明确文本的结构规律 #

先把你的str_data拿出来拆解，比如假设它的格式类似：

2023-2024营业收入123456.78净利润98765.43总资产567890.122022-2023营业收入111222.33净利润88877.66总资产444555.99

核心规律一般是：

• 会计年度：XXXX-XXXX格式的字符串
• 财务指标：固定关键词（比如营业收入、净利润、总资产等）
• 数值：紧跟在指标后的数字（可能带小数点、千分位逗号）

2. 用正则表达式批量提取数据 #

根据上面的规律写正则匹配规则，把年度、指标、数值一一对应提取出来：

import re
import pandas as pd

# 替换成你实际的str_data内容
str_data = "2023-2024营业收入123456.78净利润98765.43总资产567890.122022-2023营业收入111222.33净利润88877.66总资产444555.99"

# 正则规则：先匹配年度，再匹配该年度下的所有指标+数值
pattern = re.compile(r'(\d{4}-\d{4})((?:营业收入|净利润|总资产)[\d,.]+)+')

# 提取所有年度对应的指标块
matches = pattern.findall(str_data)

# 整理成结构化数据
data_list = []
for year, metrics_block in matches:
    # 拆分单个年度下的每个指标和数值
    metric_pattern = re.compile(r'(营业收入|净利润|总资产)([\d,.]+)')
    metric_matches = metric_pattern.findall(metrics_block)
    row = {'会计年度': year}
    for metric, value in metric_matches:
        # 去掉数值里的千分位逗号，转成数值类型
        row[metric] = float(value.replace(',', ''))
    data_list.append(row)

# 转换为DataFrame
df = pd.DataFrame(data_list)
print(df)

3. 适配你的实际文本调整规则 #

如果你的str_data有特殊格式，只需修改正则部分：

• 若指标有新增（比如“营业成本”“净资产收益率”），把(营业收入|净利润|总资产)改成(营业收入|净利润|总资产|营业成本|净资产收益率)
• 若数值带负号，把([\d,.]+)改成([-+]?[\d,.]+)
• 若数值带货币符号（比如₹），把([\d,.]+)改成(₹?[\d,.]+)，处理时再去掉符号

4. 最终效果 #

运行代码后会得到结构化的DataFrame，示例输出：

直接用这个DataFrame就能做后续财务计算了。

内容的提问来源于stack exchange，提问作者Abinash Tripathy