Warren Buffett Letters

巴菲特致股东信（1957–2024）：原始文件 + 英文 Markdown + 中文译文。

项目简介

• 1957–1976：合伙信 + 早期年度信，从 PDF 合集切分 → vlm 转换
• 1977–1997：Berkshire 官网 HTML → crawl 转换
• 1998–2024：Berkshire 官网 PDF → vlm 转换
• 1957–2024：DeepSeek 翻译为中文（letters_zh/）

目录结构

letters/          # 英文 Markdown（83 封）
letters_raw/      # 原始文件 PDF/HTML（与 letters/ 同名）
letters_zh/       # 中文译文（与 letters/ 同名）
NAVIGATION.md     # 导航映射表（原始文件名 → 英文 → 中文 → 写信日期 → 性质）
translate.py      # 翻译引擎
scrape_letters.py # 从 Berkshire 官网抓取 1977–2024
split_letters.py  # 从 PDF 合集切分 1957–1976
fix_tables.py     # 修复 crawl 丢失的表格数据

文件命名规则

文件名 = 信件所报告/总结的年份（与 1977+ 年报逻辑统一）：

后缀	含义
无后缀	年度信/年报（主信，次年1-3月写）
_h	半年报（7月写，总结上半年）
_p	预备信/中期信（10-11月写，签协议或预告）
_m / _m2 / _m3	专题信（解散公告、债券教育等）

详见 NAVIGATION.md。

翻译

pip install httpx
cp .env.example .env          # 编辑 .env，填入 DEEPSEEK_API_KEY
python translate.py           # 翻译全部（已存在跳过）
python translate.py --year 1957 1958   # 翻译指定年份
python translate.py --dry-run         # 预览（不调用 API）
python translate.py --workers 5       # 并发翻译（默认5）

翻译引擎特性：

• 流式翻译（stream），避免长文本超时
• 分块翻译：长信按 ~4000 字符分段，段落级并发
• 格式保护：``` 代码块（含 ASCII 表格）用占位符保护，程序保证恢复
• 外层围栏：HTML→MD 产生的 ``` 包裹由程序识别并保留
• 金融术语表：70+ 术语统一译法，巴菲特投资哲学概念定译
• temperature 0.5：平衡术语一致性与语气还原

抓取与转换

# 前置要求
pip install requests
npm install -g mineru-open-api

# 抓取 1977–2024
python scrape_letters.py                     # 全部（已存在跳过）
python scrape_letters.py --year 1998         # 单年

# 切分 1957–1976
python split_letters.py                      # 切分 PDF → letters/{year}.pdf

# 修复 HTML 表格
python fix_tables.py --year 1977-1997        # 修复 crawl 丢失的表格数据

MinerU Token（注册即可免费获取）。

脚本说明

脚本	用途
translate.py	DeepSeek 翻译英文→中文
scrape_letters.py	从 Berkshire 官网抓取 1977–2024
split_letters.py	从 PDF 合集切分 1957–1976
fix_tables.py	修复 crawl 丢失的表格数据

相关项目

• MinerU — 文档提取工具
• Berkshire Hathaway — 股东信官方页面
• DeepSeek — 翻译 LLM

License

MIT — 详见 LICENSE。