我想解析10-K文件（公司的财务报表）。苹果的例子可以在这里找到（查找.txt文件）。现在，我正在阅读这篇关于如何解析这些文件的研究论文（见第30-31页）。第一步描述为删除所有ASCII编码段。。。这就是我想弄清楚如何去除它们的原因。
我在StackOverflow上看到了几个关于如何删除非ASCII代码的问题，但这是不同的。ASCII编码段为：所有带有GRAPHIC、ZIP、EXCEL和PDF的<TYPE>标记的文档段-我要删除它们。
因此，如果我按照如下方式加载一个txt文件：
fil = open('F:\file.txt','r')
x = fil.read()
如何从这个txt文件中删除所有ASCII编码的段？要删除HTML标记，我使用这里的过程，但ASCII编码段呢？
如果我理解正确，您正在处理的格式在某种程度上与SEC EDGAR过程有关。
我还没有花时间正式查一下。也许你应该。
通过检查链接到的Apple语句，您似乎想要用空字符串替换任何与正则表达式<DOCUMENT>s*<TYPE>(?:GRAPHIC|ZIP|EXCEL|PDF).*?</DOCUMENT>匹配的语句。
免责声明：一个正确的实现将使用XML解析器并提取您想要的元素，而不是试图从词汇上删除您不想要的东西。这在lxml中应该不难。
我最初以为这是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站点有几个规范；也许其中一个？），找到一个合适的DTD，然后从那里开始。
解决了这些问题后，您希望了解如何使用XPath删除元素，以及如何在（lxml）XPath中使用regex。然后可能会重新实现您已经使用XML和XPath进行的其他提取。