如何使用美丽的汤来刮掉SEC的Edgar数据库并接收欲望数据

Question

为长期问题提前道歉 - 我是Python的新手，我试图在相当具体的情况下尽可能明确。

我试图在常规的基础上确定来自SEC Filings的具体数据点，但我想自动化这一点，而不必手动搜索公司CIK ID和表格备案。到目前为止，我已经能够到达下载有关SEC在给定时间段内收到的所有文件的元数据的地步。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，以及能够下载这些文本文件并查看基础数据，我无法解析这些数据，因为它是xbrl格式，并且有点超出我的驾驶室。相反，我遇到了这个脚本（从这个网站https://www.codeproject.com/Articles/1227765/Parsing-XBRL-with-Python提供）：

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)

只是运行这个脚本正是我喜欢它的方式。它返回给定公司的股东权益（在这种情况下为IBM），然后我可以获取该值并将其写入excel文件。

我的两部分问题是：

我从上面的原始元数据表中取出了三个相关列（CIK，类型和日期）并将其写入元组列表 - 我认为这就是它所谓的 - 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，并有效地循环它，以便最终得到每个公司，文件和日期的所需值列表？
通常有更好的方法吗？我认为会有某种API或python包来查询我感兴趣的数据。我知道Form 10-Ks和Form 10-Qs有一些高级信息但是我在Form中Ds有点模糊。我只是想确保我有效地利用我的时间来获得最佳解决方案。

感谢您的帮助！

Answer 1

另一答案