Question

我正在尝试从多个SEC 10-K文件中提取特定组合的关键字之前和之后的5行，然后将该数据导出到Excel中，以便随后进行手动进一步处理。不幸的是，我不得不依靠.txt格式的文件，而不是.html或.xblr的文件，因为后者并不总是可用。我已经下载并部分清理了.txt文件，以删除不需要的标签。

简而言之，我的目标是告诉python遍历下载的.txt文件（例如，所有同一个文件夹中的文件，或者只是通过提供包含所有文件名的参考.txt列表），打开每个文件，寻找“累积效果”一词（最好与其他关键字结合使用，请参见下面的代码），在其前后提取5行，然后将输出导出到具有A列中的文件名和B列中提取的段落的excel。 / p>

使用this code，我设法为一个.txt文件（您可以找到here，以供参考）在关键字“累积效果”的上方和下方提取5行。但是，我仍然在努力使整个过程自动化/循环并使用大熊猫将提取的文本导出到Excel。

import collections
import itertools
import sys
from pandas import DataFrame

filing='0000950123-94-002010_1.txt'

#with open(filing, 'r') as f:
with open(filing, 'r', encoding='utf-8', errors='replace') as f:
    before = collections.deque(maxlen=5)
    for line in f:
        if ('cumulative effect' in line or 'Cumulative effect' in line) and ('accounting change' in line or 'adoption' in line or 'adopted' in line or 'charge' in line):
            sys.stdout.writelines(before)
            sys.stdout.write(line)
            sys.stdout.writelines(itertools.islice(f, 5))
            break
        before.append(line)

findings = {'Filing': [filing],
        'Extracted_paragraph': [line]
        }

df = DataFrame(findings, columns= ['Filing', 'Extracted_paragraph'])

export_excel = df.to_excel (r'/Users/myname/PYTHON/output.xlsx', index = None, header=True)

print (df)

使用这一行代码，我获得了所需的段落，但是我仅设法将包含关键字的单行导出为excel，而不是整个文本。 This is the python output和 this is the exported text to Excel。

如何创建循环并将感兴趣的整个段落正确导出到excel？提前非常感谢！

Answer 1

我相信您的基本错误是

'Extracted_paragraph': [line]

应该是

'Extracted_paragraph': [before]

因此，通过一些简化的更改，代码的主要部分应如下所示：

with open(filing, 'r', encoding='utf-8', errors='replace') as f:
  before = collections.deque(maxlen=5)

  for line in f:       
      if ('cumulative effect' in line or 'Cumulative effect' in line) and ('accounting change' in line or 'adoption' in line or 'adopted' in line or 'charge' in line):
          break
      before.append(line)

before = ''.join(before)
findings = {'Filing': [filing],
        'Extracted_paragraph': [before]
        }

df = DataFrame(findings, columns= ['Filing', 'Extracted_paragraph'])

然后从那里继续导出到Excel等。

如何在文本文件中搜索关键字的组合，如何提取上下两行，然后使用熊猫导出到Excel

1 个答案: