鉴于这些文件有一个标准，可以编写一个适当的解析器，而不用猜测，或者希望beautifulsoup正确。这并不意味着它是最适合您的解决方案，但从某种意义上来说，这确实是可行的。
根据http://www.sec.gov/info/edgar/pdsdissemspec910.pdf上的标准，您所获得的（在PEM机柜内）是由提供的DTD定义的SGML文档。因此，首先转到第48-55页，在其中提取文本，然后将其另存为“ edgar.dtd”。
我要做的第一件事是安装SP并使用其工具来确保该文档确实对该DTD有效且可解析，以确保您不会在不会平移的事情上浪费大量时间出来。
Python附带有一个验证SGML解析器sgmllib。不幸的是，它从未完全完成，在2.6-2.7中已弃用（在3.x中已删除）。但这并不意味着它将无法正常工作。因此，尝试一下，看看它是否有效。
如果没有，我不知道Python有什么好的替代方法。大部分SGML代码都使用C，C 或Perl。但是，只要您愿意用C / Cython / boost- python /任何形式或使用ctypes编写自己的包装，就可以很容易地包装任何C或C 库（我将从SP开始）。您只需要包装顶级功能，而无需构建完整的绑定集。但是，如果您以前从未做过这样的事情，那可能不是学习的最佳时机。
或者，您可以包装命令行工具。SP随附nsgmls。还有一个用perl编写的，具有相同名称的好工具（我认为这是http://savannah.nongnu.org/projects/perlsgml/的一部分，但我并不肯定。）以及许多其他工具。
或者，当然，您可以使用perl（或C ++）而不是Python来编写整个内容或仅编写解析层。
602392714
清零编程群