标签: edgar

有没有人有刮刮SEC 10-K和10-Q备案的经验？我试图从这些文件中删除每月实现的股票回购时遇到困难.具体而言,我想获得以下信息:1.期间; 2.购买的股份总数; 3.每股平均支付价格; 4.作为公开宣布的计划或计划的一部分购买的股份总数; 5.从2004年到2014年,每个月根据计划或计划购买的股票的最大数量(或近似美元价值).我总共有90,000多种表格需要解析,所以这样做是不可行的手动.

此信息通常在10-Ks的"第2部分项目5注册人普通股权市场,相关股东事项和发行人购买股权证券"和"第2部分第2项未注册的股权证券销售和所得款项用途"中报告.

以下是我需要解析的10-Q文件的一个示例:https: //www.sec.gov/Archives/edgar/data/12978/000104746909007169/a2193892z10-q.htm

如果公司没有股票回购,则季度报告中可能会缺少此表.

我试图用Python BeautifulSoup解析html文件,但结果并不令人满意,主要是因为这些文件不是以一致的格式编写的.

例如,我能想到解析这些表单的唯一方法是

from bs4 import BeautifulSoup
import requests
import unicodedata
import re

url='https://www.sec.gov/Archives/edgar/data/12978/000104746909007169/a2193892z10-q.htm'

def parse_html(url):
    r = requests.get(url)
    soup = BeautifulSoup(r.content, 'html5lib')
    tables = soup.find_all('table') 

    identifier = re.compile(r'Total.*Number.*of.*Shares.*\w*Purchased.*', re.UNICODE|re.IGNORECASE|re.DOTALL)

    n = len(tables) -1
    rep_tables = []

    while n >= 0:
        table = tables[n]
        remove_invalid_tags(table)
        table_text = unicodedata.normalize('NFKD', table.text).encode('ascii','ignore')
        if re.search(identifier, table_text):
            rep_tables += [table]
            n -= 1
        else:
            n -= 1

    return rep_tables

def remove_invalid_tags(soup, invalid_tags=['sup', 'br']): …

目前，我正在从事一个项目，其中一个 PHP 脚本从ftp://ftp.sec.gov 获取索引文件并将所有公司信息放入数据库中。然后，第二个 PHP 脚本从 SEC 获取原始文本文件并将其保存在本地进行处理。

可以在此处找到原始文本文件的示例 -

ftp://ftp.sec.gov/edgar/data/2488/0000002488-15-000028.txt

可以在此处找到最终结果的示例 - http://www.sec.gov/Archives/edgar/data/1084869/000143774915020024/flws20150927_10q.htm

目标是能够像许多公司一样以格式化的方式呈现文件，但问题是我似乎无法弄清楚每个文件都是如何可靠地完成的。一些文件似乎有 XML，其他文件似乎有 HTML

我如何能够可靠地生成原始文本文件的格式化版本？

我拥有的当前代码 -

$db_hostname = "localhost";
$db_username = "username";
$db_password = "password";
$db_database = "database";
$db_server = mysql_connect($db_hostname, $db_username, $db_password);

if (!$db_server) die("Unable to connect to MySQL: " . mysql_error());

mysql_select_db($db_database)
or die("Unable to select database: " . mysql_error());

$query = "SELECT * FROM company WHERE company = '1 800 FLOWERS COM INC' AND date = '2015-08-06'";
$result = mysql_query($query);
$row …

我正在与 Edgar 的 10-K 一起工作。为了协助文件管理和数据分析，我想创建一个表，其中包含每个文件的路径、提交的公司的CIK号（这是SEC颁发的唯一ID）以及它所属的SIC行业代码。下面是直观地代表我想要做的事情的图像。

我想要提取的两件事列在每个文档的顶部。CIK # 始终是短语“CENTRAL INDEX KEY:”之后列出的数字。SIC # 始终是“标准工业分类”后面括号内的数字，然后是对该特定行业的描述。

这在所有文件中都是一致的。

要做的事：

1. 循环遍历文件：提取文件路径、CIK 和 SIC 编号 - 请注意，每个文档我只得到一个返回值，并且每个结果都是按顺序排列的，因此字段之间的记录是对齐的。

2. 将这些字段合并在一起——我猜最好的方法是将每个字段提取到它们自己的单独列表中，然后合并，也许合并到 Pandas 数据框中？

最终，我将使用此表来帮助我对 SIC 行业之间的数据进行子集化。

感谢您的浏览。如果我可以提供额外的文件，请告诉我。

我尝试解析 SEC 公司文件sec.gov。从fb 10-Q index.htm开始，让我们看一下完整的文本提交归档，例如完整的提交文本归档。它的结构如下：

<SEC-DOCUMENT>
<SEC-HEADER>
<ACCEPTANCE-DATETIME>"some content" This tag is not closed.

"some lines resembling yaml markup" 
These are indented lines with a 
"key": "value" structure.

</SEC-HEADER>
<DOCUMENT>
.
.
some content
.
.

</DOCUMENT>

"several DOCUMENT tags" ...


</SEC-DOCUMENT>

我试图弄清楚标签的结构，并在公共传播服务（PDS）技术规范（pdf）<SEC-HEADER>下找到了一些信息，并得出标题的内容应该是SGML。

尽管如此，我对格式一无所知，因为没有尖括号，并且键-值对是用冒号分隔的，而key: value不是<key>value</key>。在 pdf 链接中我找不到任何有关冒号的信息。

问题： <SEC-HEADER>标签是否有效 SGML？如果是的话如何解析？

我很乐意提供任何帮助。