3

提前为长时间的问题道歉 - 我是 Python 新手，我试图在相当具体的情况下尽可能明确。

我正在尝试定期从 SEC 文件中识别特定数据点，但是我想自动执行此操作，而不必手动搜索公司 CIK ID 和表格文件。到目前为止，我已经能够下载有关 SEC 在给定时间段内收到的所有文件的元数据。它看起来像这样：

index   cik         conm             type        date           path
0   0   1000045 NICHOLAS FINANCIAL INC  10-Q   2019-02-14   edgar/data/1000045/0001193125-19-039489.txt
1   1   1000045 NICHOLAS FINANCIAL INC  4   2019-01-15  edgar/data/1000045/0001357521-19-000001.txt
2   2   1000045 NICHOLAS FINANCIAL INC  4   2019-02-19  edgar/data/1000045/0001357521-19-000002.txt
3   3   1000045 NICHOLAS FINANCIAL INC  4   2019-03-15  edgar/data/1000045/0001357521-19-000003.txt
4   4   1000045 NICHOLAS FINANCIAL INC  8-K 2019-02-01  edgar/data/1000045/0001193125-19-024617.txt

尽管拥有所有这些信息，并且能够下载这些文本文件并查看基础数据，但我无法解析这些数据，因为它是 xbrl 格式并且有点超出我的控制范围。相反，我遇到了这个脚本（由本网站https://www.codeproject.com/Articles/1227765/Parsing-XBRL-with-Python友情提供）：

from bs4 import BeautifulSoup
import requests
import sys

# Access page
cik = '0000051143'
type = '10-K'
dateb = '20160101'

# Obtain HTML for search page
base_url = "https://www.sec.gov/cgi-bin/browse-edgar?action=getcompany&CIK={}&type={}&dateb={}"
edgar_resp = requests.get(base_url.format(cik, type, dateb))
edgar_str = edgar_resp.text

# Find the document link
doc_link = ''
soup = BeautifulSoup(edgar_str, 'html.parser')
table_tag = soup.find('table', class_='tableFile2')
rows = table_tag.find_all('tr')
for row in rows:
    cells = row.find_all('td')
    if len(cells) > 3:
        if '2015' in cells[3].text:
            doc_link = 'https://www.sec.gov' + cells[1].a['href']

# Exit if document link couldn't be found
if doc_link == '':
    print("Couldn't find the document link")
    sys.exit()

# Obtain HTML for document page
doc_resp = requests.get(doc_link)
doc_str = doc_resp.text

# Find the XBRL link
xbrl_link = ''
soup = BeautifulSoup(doc_str, 'html.parser')
table_tag = soup.find('table', class_='tableFile', summary='Data Files')
rows = table_tag.find_all('tr')
for row in rows:
    cells = row.find_all('td')
    if len(cells) > 3:
        if 'INS' in cells[3].text:
            xbrl_link = 'https://www.sec.gov' + cells[2].a['href']

# Obtain XBRL text from document
xbrl_resp = requests.get(xbrl_link)
xbrl_str = xbrl_resp.text

# Find and print stockholder's equity
soup = BeautifulSoup(xbrl_str, 'lxml')
tag_list = soup.find_all()
for tag in tag_list:
    if tag.name == 'us-gaap:stockholdersequity':
        print("Stockholder's equity: " + tag.text)

只需运行此脚本即可完全按照我的意愿运行。它返回给定公司（在本例中为 IBM）的股东权益，然后我可以获取该值并将其写入 Excel 文件。

我的两部分问题是这样的：

  1. 我从上面的原始元数据表中取出三个相关列（CIK、类型和日期）并将其写入元组列表 - 我认为这就是它的名称 - 它看起来像这样 [('1009759', 'D', '20190215'),('1009891', 'D', '20190206'),...])。我如何获取这些数据，替换我找到的脚本的初始部分，并有效地循环遍历它，以便最终得到每个公司、归档和日期的所需值列表？
  2. 通常有更好的方法来做到这一点吗？我认为会有某种 API 或 python 包来查询我感兴趣的数据。我知道有一些关于 Form 10-Ks 和 Form 10-Qs 的高级信息但是我在 Form Ds 这有点晦涩难懂。我只是想确保我有效地将时间花在最好的解决方案上。

感谢您的帮助！

4

2 回答 2

0

您需要定义一个函数，该函数基本上可以是您发布的大部分代码，并且该函数应采用 3 个关键字参数（您的 3 个值）。然后，无需在代码中定义这三个，您只需传入这些值并返回结果。

然后，您获取您创建的列表并围绕它创建一个简单的 for 循环，以调用您使用这三个值定义的函数，然后对结果执行一些操作。

def get_data(value1, value2, value3):
    # your main code here but replace with your arguments above.
    return content

for company in companies:
    content = get_data(value1, value2, value3)
    # do something with content
于 2019-04-11T02:29:35.360 回答
0

假设您有一个sec包含正确命名的文件列表列的数据框，您首先需要从数据框中提取相关信息到三个列表中：

cik = list(sec['cik'].values)
dat = list(sec['date'].values)
typ = list(sec['type'].values)

然后你创建你的 base_url，插入项目并获取你的数据：

for c, t, d in zip(cik, typ, dat):
  base_url = f"https://www.sec.gov/cgi-bin/browse-edgar?action=getcompany&CIK={c}&type={t}&dateb={d}"
  edgar_resp = requests.get(base_url)

然后从那里走。

于 2019-04-11T23:58:10.307 回答