我尝试从公司的资产负债表/损益表中提取定性数据。它们是 excel(.xls) 文件。
不幸的是，内容结构因一家公司而异。
例如，
提取收入价值：
在 A 公司，它位于“收入”列旁边。
在 B 公司，它位于“商品和销售收入”列的旁边，以千美元/单位列出。
在C公司，情况更糟。您需要查找包含“商品销售收入和”字样的行，然后向下移动包含“提供服务”字样的下一行，将该列旁边的值添加到包含“废品”字样的行中的数据销售”、“汇率收益”和“设备处置收益”。
有 500 多家可用的公司，以及 20 多年的过去数据要提取（内容也可以每年变化），这成为问题。我不知道如何处理每种情况。数据是如此非结构化。
那么，我想问的是那里有没有提取这种模糊信息的库/API（最好是 JAVA）？如果有人已经这样做了，我不想重新发明轮子。是否有任何现成的机器学习 API 可用于此类事情？此外，这些公司并未在美国或其他知名证券交易所上市，因此没有可用的数据提供者。
感谢你的回复。
坏消息：我很确定没有这样的库/API，因为你想要的东西太复杂了，而且（至少现在）不能自动完成，特别是在像 C 这样的情况下：有太多特定于域的很难编码的语义。
好消息：我认为 80/20 规则对于您的情况仍然适用 - 大多数表具有清晰的结构，如 A 或 B，您可以编写简单的脚本来为它们提取值，而其他的则必须手动完成。我建议逐步开发此类脚本：从案例 A 开始，然后为所有表启动程序。对于失败的表，选择最简单的情况并为它们调整代码；等等。我相信这种方式是最快的，虽然不是那么令人兴奋。
本文描述了一种更有趣的方法，用于从表格中半自动提取所需信息（对不起，自引用）。不幸的是，没有可用的库或 API，但我猜这个想法相当简单并且可以轻松编码。
公司通常以基于 XML 的称为XBRL的计算机可读格式提供这些信息。这种格式允许您以编程方式提取您正在谈论的语义信息。由于与 XML 相关，规范自然非常密集，但信息就在那里。
作为一个随机的例子，埃克森美孚在其投资者网站上免费发布了他们的数据。