数据接入的工作原理:从上传的文件到经过验证的数据

大多数财务工具把数据接入当作一个已经解决的问题:把一个连接器指向你的 ERP,数据行就会自动出现。Rexfin 的数据接入起点不同，因为输入是一份 PDF,一份年度报告、一份扫描的法定备案文件、一份双语披露文件，没有任何人替你清理过。数据接入是把这份文件转变为模型可以信赖的数据的过程，而这个过程在读取任何一个数字之前就已经开始。

第一步:身份识别，而非提取

一份备案文件遇到的第一件事不是提取，而是身份识别。Rexfin 会将文件的原始字节哈希成一个内容寻址的 ID。同一份 PDF 被两个人在两天内上传两次，会解析为同一个 ID,而不是产生重复。这个 ID 与页码配对，构成了产品其他每个部分都会指向的引用地址。如果后来出现了一份更正或重述的备案文件，那是一个 ID 不同的独立文件，与原始文件以取代关系相关联，而绝不是原地编辑。

在记录 ID 的同时，数据接入还会记录文件对自身的说明:币种、报告口径、是否经过审计、声称遵循哪一套会计准则、来源是什么。这些信息没有一项是在下游根据上下文推断出来的，而是在入口处就被捕获，因为一个数字的口径和币种，决定了后续验证判断一笔合计是否真正对得上的方式。

数字版、扫描版，或两者兼有，以及无法判断时的拒绝

并非每份备案文件都带有可用的内嵌文本。有些是干净的数字版 PDF,有些完全是没有任何机器可读内容的扫描图像，还有越来越多的文件是混合型的，比如扫描的报表页面前面加了一张数字版封面，或者一段英文部分埋在成页的阿拉伯语披露内容之后。数据接入会在决定如何读取某一页之前，先判断自己面对的是哪种情况，因为把一份扫描页当成数字文本来读，会一本正经地产生垃圾数据。

确定这一点之后，数据接入通过匹配表头和期间标识来定位每一张主表(资产负债表、利润表、现金流量表、权益变动表),而不是假设一个固定页码，那种做法一旦文件版式改变就会失效。当某一页无法被真正有把握地分类，或者一份文件的结构与 Rexfin 所认识的任何模式都不匹配时，该文件会被隔离，而不是被强行归入某个区域:一页碰巧提到“现金流量”字样的扫描版附注页，不会被硬塞进真正的现金流量表。同样这种“失败即关闭”的姿态也适用于财年的选取:备案文件里带有比较年度和前任审计师日期，乍一看可能像是当期报告年度，因此数据接入会取最靠后、合理的年末日期，而不是封面上的第一个日期。

一条命令，每次都是同一个答案

数据接入以针对一个源文件 PDF 文件夹的单次批处理作业方式运行，绝不是一个静默轮询任务的后台服务。把某笔交易的备案文件喂给它，它会依次完成检测、提取、分类、对账和打包，作为一个有序流程一次跑完，然后打印一个明确的结果:哪些数字可用，哪些被保留未用，以及原因。有些步骤依赖其他步骤已经先行完成，比如报告口径必须先确定，数字才能与印刷的合计数对账，否则一个四舍五入的差异会被误判为真正的错误，这个顺序是被强制执行的，而不是靠某人自觉遵守的约定。

它也是可复现的:把同一批备案文件跑两遍数据接入，不改动任何东西，得到的结果逐字节相同。如果一个平台读取你年度报告的结果会在两次运行之间漂移，你就无法判断某个数字变化是因为你的业务变了，还是因为工具改变了主意。而如果一批文件中有一份损坏，也不会拖垮整批处理，那份文件会被隔离并标记，批处理的其余部分仍会完成。

为什么诚实比覆盖率更重要

大多数数据接入流水线的本能是提取出点什么，而不是承认什么都没提取到。Rexfin 的默认做法，在没有把握时，恰恰相反:隔离，而不是猜测。这是一个刻意的取舍:从一份真正模糊的备案文件中拿到的数字会更少，但你拿到的每一个数字都有明确来源的页面。这也是为什么数据接入位于本支柱内容其他一切内容的底层:它是规范原子存储能够为每个数字保存一个事实、而不是相互冲突的多份副本的原因，也是为什么下游的确定性计算值得构建，在一页一开始就被误分类的情况下精确计算毫无意义。

适合谁

任何见过财务工具自信地从错误页面提取出一个数字，或者把比较年度的列错标为本年实际数据的人。如果你的团队需要“2024 财年营收”真正来自 2024 财年的利润表，而不是某条附注、不是去年那一列被重新贴标签、也不是 OCR 产生的伪影，数据接入就是在你看到这个数字之前完成这项核查的那一层。想了解它如何融入平台的其他部分，请参见支柱内容总览,或预约演示,实时观看一份扫描的双语备案文件经过数据接入的完整过程。