如何使用python解析txt格式的html？

我正在尝试解析一个txt，示例如下链接。 然而，txt是html格式的。我正在尝试获取位于文件顶部的“公司一致名称”，我的函数应返回“Monocle Acquisition Corp”。

我试过以下方法：

import requests
from bs4 import BeautifulSoup

url = 'https://www.sec.gov/Archives/edgar/data/1754170/0001571049-19-000004.txt'
r = requests.get(url)
soup = BeautifulSoup(r.content, "html")

然而，“汤”根本不包含“公司一致名称”。

---

有人能给我指出正确的方向吗？

你看起来像是在一个巨大的标签里

您可以使用

soup.find（'sec-header'）获取整个部分。

但是，您需要手动解析该部分，类似这样的方法是可行的，但这是一项肮脏的工作：

（在replit中查看：）

---

可能有一些库能够比此代码更好地解析此数据

您要查找的数据不在HTML结构中，因此Beautiful Soup不是最好的工具。搜索此数据的正确且快速的方法就是使用以下简单的正则表达式：

import re
import requests

url = 'https://www.sec.gov/Archives/edgar/data/1754170/0001571049-19-000004.txt'
r = requests.get(url)
text_string = r.content.decode()

name_re = re.compile("COMPANY CONFORMED NAME:[\\t]*(.+)\n")

match = name_re.search(text_string).group(1)
print(match)

---

这个文档似乎包含一些HTML，但您感兴趣的部分不是HTML。你不能用漂亮的汤来解析它。

import re
import requests

url = 'https://www.sec.gov/Archives/edgar/data/1754170/0001571049-19-000004.txt'
r = requests.get(url)
text_string = r.content.decode()

name_re = re.compile("COMPANY CONFORMED NAME:[\\t]*(.+)\n")

match = name_re.search(text_string).group(1)
print(match)