SEC公司文件：<SEC-HEADER>标签是否有效？如果是这样，如何解析它？

Question

我试图从sec.gov解析SEC公司的文件。从fb 10-Q index.htm开始，让我们看看完整的文本提交文件，就像完整的提交文本文件一样。它的结构类似于：

<SEC-DOCUMENT>
<SEC-HEADER>
<ACCEPTANCE-DATETIME>"some content" This tag is not closed.
"some lines resembling yaml markup" 
These are indented lines with a 
"key": "value" structure.
</SEC-HEADER>
<DOCUMENT>
.
.
some content
.
.
</DOCUMENT>
"several DOCUMENT tags" ...

</SEC-DOCUMENT>

我试图弄清楚<SEC-HEADER>标签的结构，并在公共传播下找到了一些信息服务(PDS(技术规范(pdf(，并得出结论，标题的内容应为SGML。

尽管如此，我对格式一无所知，因为没有尖括号，键值对用冒号分隔，比如key: value而不是<key>value</key>。在pdf链接中，我找不到任何关于冒号的信息。

问题：<SEC-HEADER>标记是否有效SGML？如果是，如何解析

如果有人帮忙，我会很高兴的。

Answer 1

简短的答案是否定的。原始文件中的<SEC-HEADER>标记不是有效的SGML。

然而，据我所知，原始文件中的这一部分是从头文件<accession_num>.hdr.sgml自动解析的，它确实遵循SGML。该头文件可以在与原始文件(即<accession_num>.txt文件(相同的目录中找到。

我使用形式为^<(.+?)>(.+?)$的REGEX(带有re.MULTLINE选项(来捕获每个(标记、值(元组，并直接在dict((中获得结果。我相信该文件中唯一有结束标记的标记是</FILER>标记，其中每个文件中可能有多个filer。您可以首先使用形式为<FILER>(.+?)</FILER>的REGEX提取这些文件，然后使用与上面相同的REGEX来获取每个文件器的内部标记。

请注意，除了"FILER"，还可以有其他标记，表示实体与备案的不同关系。这些是"发卡行"、"主题公司"、"备案人"、"为"、"序列公司"one_answers"报告所有人"。