python - 如何使用 Beautiful Soup 抓取 SEC 的 Edgar 数据库并接收欲望数据

Question

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

我正尝试定期从 SEC 文件中识别特定数据点，但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(由本网站友情提供 https://www.codeproject.com/Articles/1227765/Parsing-XBRL-with-Python ):

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)    

只要运行这个脚本，它就会按照我希望的方式运行。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。

我的问题分为两部分:

1. 我从上面的原始元数据表中提取了三个相关列(CIK、类型和日期)并将其写入元组列表 - 我想这就是它的名字 - 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，并有效地遍历它，以便最终得到每个公司、文件和日期所需值的列表？
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花时间在最好的解决方案上。

谢谢你的帮助!

Answer 1

您需要定义一个函数，它基本上可以是您发布的大部分代码，并且该函数应该采用 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值，只需传入这些值并返回结果。

然后你使用你创建的列表并围绕它做一个简单的 for 循环来调用你用这三个值定义的函数，然后对结果做一些事情。

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