从10K提取SIC，CIK，创建元数据选项卡

Question

我和埃德加的10个K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、公司文件的CIK编号（这是SEC颁发的唯一ID）以及它所属的SIC行业代码。下面我要做的是用视觉表现一个图像。在

我要提取的两个内容列在每个文档的顶部。CIK始终是列在短语“中央索引键：”之后的数字。SIC始终是“标准行业分类”后括号内的数字，然后是该特定行业的描述。在

这在所有文件中都是一致的。在

待办事项：

1. 循环遍历文件：提取文件路径、CIK和SIC编号——注意每个文档只得到一个返回，每个结果都是有序的，因此字段之间的记录会对齐。

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独立的列表中，然后合并，也许合并到熊猫数据帧中？

最后，我将使用此表来帮助我对SIC行业之间的数据进行子集划分。在

谢谢你看。请让我知道如果我可以提供额外的文件。在

Answer 1

这里有一些我刚刚写的代码来做类似的事情。您可以将结果输出到CSV文件。作为第一步，您需要遍历该文件夹并获得所有10K的列表并在其上迭代。在

    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