为什么我在使用R包edgar从10-K报告中提取业务描述时遇到错误？

Question

我正在尝试使用R包edgar从10-K报告中提取多家公司的业务描述。我使用getBusinDescr函数来做这件事。

由于我想要许多公司的业务描述( 1000+ )，我创建了公司的cik标识符的向量，并让R使用该向量下载1000+公司的描述。问题是，R完美地下载了我想要的填充物(10-K报告)，而它却无法提取我感兴趣的部分。2007年为61%，2011年为31%。然而，在2010年，提取结果达到了100%。

总而言之，提取在某些年份有效，但在其他年份不起作用。我很想知道这个错误是从哪里来的。你认为这是因为数据的可用性(即，某些公司有几年没有业务描述)还是因为重复的抓取尝试而导致的一些自然错误？请帮助我解释，并希望处理的错误。

仅供参考，我在Mac上使用的是最新的R。

我使用的代码是：

# using edgar package on R
library(edgar)

# cikvector is a vector of multiple firms' identifier codes

# for year 2007
- filings.BusinDes.2007 <- getBusinDescr( cik.no=cikvector, filing.year=2007)
# for year 2008
filings.BusinDes.2008 <- getBusinDescr( cik.no=cikvector, filing.year=2008)

理想的结果如下：

Downloading fillings. Please wait...              
100%
Extracting 'Item 1' section...
100%
Business descriptions are stored in 'Business descriptions text' directory.

我遇到的错误如下(不过，下载整个报告没有任何问题)：

Downloading fillings. Please wait...     
100%
Extracting 'Item 1' section...                                                                                                             
**|  31%Error in (grep("<DOCUMENT>", filing.text, ignore.case = TRUE)[1]):    (grep("</DOCUMENT>",  : 
NA/NaN argument**

Answer 1

我得到了同样的错误，但发现简单地“注释掉”函数代码中有问题的行就解决了这个问题。

因此，您需要编辑Edgar包中的函数'getBusinDescr‘。在R-Studio中实现这一点的一个简单方法是直接运行：

fix(getBusinDescr)

接下来，您需要找到以下几行：

    filing.text <- filing.text[(grep("<DOCUMENT>", filing.text, 
                                 ignore.case = TRUE)[1]):(grep("</DOCUMENT>", filing.text, 
                                                               ignore.case = TRUE)[1])]

并在每一行的开头添加一个#，以便从函数中删除它们(即注释掉它们)。然后，当您运行该函数时，它应该工作得很好。

对于我来说，这个问题是在几周前开始的，我确信它在使用完全相同的底层数据之前运行得很完美。我最好的猜测是证券交易委员会可能对他们的HTML代码做了一些修改，这样"“标签就不会出现在一些原始文件中。我没有费心去测试这个理论，但它是有意义的。