我想解析10-K文件（公司的财务报表）。可以找到Apple的示例here（查找.txt文件）。现在，我正在阅读有关如何解析这些文件的research paper（请参阅第30-31页）。第一步被描述为删除所有ASCII编码段...这就是我想要弄清楚如何删除它们。
我在StackOverflow上看到了关于如何删除非ASCII代码的几个问题，但这是不同的。 ASCII编码的段包括：<TYPE>，GRAPHIC，ZIP和EXCEL的{{1}}个标记的所有文档细分 - 我想删除它们。
因此，如果我按如下方式加载txt文件：
PDF如何从此txt文件中删除所有ASCII编码段？要删除HTML标记，我使用过程here，但是ASCII编码段呢？
答案 0 :(得分：1)
如果我理解正确，您处理的格式与SEC EDGAR流程有某种关联。
我没有花时间正式查阅。也许你应该。
通过检查您链接到的Apple语句，看起来您想要用正字符串替换与正则表达式<DOCUMENT>\s*<TYPE>(?:GRAPHIC|ZIP|EXCEL|PDF).*?</DOCUMENT>匹配的任何内容。
免责声明：正确的实施方法是使用XML解析器并提取您想要的元素，而不是试图在词汇上删除您不想要的内容。这在lxml中应该不会很难。
我首先认为这是XBLR，但事实并非如此。尝试使用ETree解析它会引发异常，因为某些元素（包括<TYPE>）的关闭标记似乎是可选的。最好的方法是找出这是什么格式（EDGAR site有几个规格;其中一个，也许？）并找到一个合适的DTD，然后从那里继续。
完成整理后，您希望了解如何remove elements with XPath和how to use regex in (lxml) XPath。然后可能重新实现使用XML和XPath完成的其他提取。