2. 提取利润表中的营业收入

任务说明

利润表中的“营业收入”在不同企业的报表中可能存在多种表述，例如“营业总收入”“营业收入”“主营业务收入”等。本案例的目标是：给定一段利润表文本，自动定位并提取营业收入金额，同时识别其原始表述方式，为后续财务指标计算提供结构化输入。

实现方案

采用关键词匹配 + 正则表达式提取的方式。核心逻辑为：先通过关键词列表定位包含营业收入的行，再从该行中提取数值（支持千分位逗号与负号），最后返回金额与匹配到的原始表述。为覆盖常见格式，关键词按优先级排序，优先匹配更精确的表述。

代码实现

import re
from typing import Optional, Tuple

# 营业收入常见表述（按优先级从高到低排列）
REVENUE_KEYWORDS = [
    "营业总收入",
    "营业收入",
    "主营业务收入",
    "一、营业收入",      # 部分报表带编号前缀
    "营业收入合计",
]

def extract_revenue(text: str) -> Optional[Tuple[str, float]]:
    """
    从利润表文本中提取营业收入。

    参数:
        text: 利润表文本（可包含多行）

    返回:
        (原始表述, 金额数值) 元组；若未找到则返回 None。
        金额为负数时表示亏损（极少见，但保留处理能力）。
    """
    if not text or not text.strip():
        return None

    # 按行拆分，逐行匹配
    for line in text.splitlines():
        line = line.strip()
        if not line:
            continue

        # 1. 先检查该行是否包含任一关键词
        matched_keyword = None
        for kw in REVENUE_KEYWORDS:
            if kw in line:
                matched_keyword = kw
                break

        if matched_keyword is None:
            continue

        # 2. 从该行提取数值（支持千分位逗号、负号、小数点）
        #    匹配模式：可选负号 + 数字 + 可选(千分位逗号+3位数字)* + 可选(.小数)
        number_pattern = r'-?\d{1,3}(?:,\d{3})*(?:\.\d+)?|-?\d+(?:\.\d+)?'
        matches = re.findall(number_pattern, line)

        if not matches:
            continue

        # 3. 取最后一个数值（通常金额位于行末；若行末为括号注释则取最后一个数字）
        raw_number = matches[-1].replace(',', '')
        try:
            value = float(raw_number)
        except ValueError:
            continue

        # 4. 返回原始表述（用整行文本作为表述，便于追溯）
        return line, value

    return None

# ---------- 最小验证闭环 ----------
if __name__ == "__main__":
    # 测试样本1：标准表述
    sample1 = """利润表
编制单位：XX股份有限公司
项目本期金额上期金额
一、营业总收入 1,234,567,890.00 987,654,321.00
二、营业总成本 1,000,000,000.00 800,000,000.00"""
    result1 = extract_revenue(sample1)
    print("样本1结果:", result1)
    assert result1 is not None
    assert result1[1] == 1234567890.00
    assert "营业总收入" in result1[0]

    # 测试样本2：仅写“营业收入”
    sample2 = "利润表\n营业收入 500,000.00\n营业成本 300,000.00"
    result2 = extract_revenue(sample2)
    print("样本2结果:", result2)
    assert result2 is not None
    assert result2[1] == 500000.00

    # 测试样本3：无营业收入（应返回None）
    sample3 = "利润表\n营业成本 100.00\n管理费用 50.00"
    result3 = extract_revenue(sample3)
    print("样本3结果:", result3)
    assert result3 is None

    # 测试样本4：带编号前缀
    sample4 = "利润表\n一、营业收入 1,000.00\n二、营业成本 800.00"
    result4 = extract_revenue(sample4)
    print("样本4结果:", result4)
    assert result4 is not None
    assert result4[1] == 1000.00

    print("全部测试通过")

运行与验证

运行方式：将上述代码保存为 extract_revenue.py，在命令行执行 python extract_revenue.py。

验证标准：程序输出4个样本的提取结果，并在最后打印“全部测试通过”。每个样本的断言（assert）均验证了金额数值与表述匹配的正确性。若所有断言通过，说明代码能正确识别不同表述并提取金额；若某个断言失败，程序将抛出异常并终止。

关键说明

• 代码优先匹配更精确的关键词（如“营业总收入”优先于“营业收入”），避免“营业收入”误匹配到“营业总收入”所在行时提取错误金额。
• 数值提取采用正则表达式，兼容千分位逗号与小数；若同一行出现多个数字（如本期与上期并列），默认取最后一个数值——实际使用时可根据报表列顺序调整索引。
• 若报表中营业收入为负数（极端情况），代码同样能正确提取负值。