从10-K -提取SIC，CIK，创建元数据表

Question

我和埃德加的10 Ks一起工作。为了帮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、公司提交的CIK编号(这是SEC颁发的唯一ID )以及它所属的SIC行业代码。下面是我想要做的事。

我想要提取的两件东西列在每个文档的顶部。CIK #始终是在短语“中央索引键：”之后列出的一个数字。碳化硅#始终是“标准工业分类”之后括号内的一个数字，然后是对该特定行业的描述。

这在所有文件中是一致的。

去做：

1. 循环遍历文件:提取文件路径、CIK和SIC数字--注意，每个文档只返回一次，每个结果都是有序的，所以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各自的单独列表中，然后合并，也许合并成一个Pandas dataframe？

最终，我将使用这个表来帮助我在SIC行业之间划分数据。

谢谢你看一看。如果我能提供更多的文件，请告诉我。

​

​

Answer 1

下面是我为做类似事情而写的一些代码。您可以将结果输出到CSV文件中。作为第一步，您需要遍历该文件夹并获得所有10-K的列表并对其进行迭代。

    year_end = ""
    sic = ""

    with open(txtfile, 'r', encoding='utf-8', errors='replace') as rawfile:
        for cnt, line in enumerate(rawfile):
            #print(line)
            if "CONFORMED PERIOD OF REPORT" in line:
                year_end = line[-9:-1]
                #print(year_end)
            if "STANDARD INDUSTRIAL CLASSIFICATION" in line:
                match = re.search(r"\d{4}", line)
                if match:
                    sic = match.group(0)
                    #print(sic)
                #print(sic)
            if (year_end and sic) or cnt > 100:
                #print(year_end, sic)
                break