我尝试从公司提取定性数据＆＃39;资产负债表/损益表。它们是excel（.xls）文件。
不幸的是，内容结构因公司而异。
例如，
提取收入值：
在公司A中，它位于＆＃34;收入＆＃34;旁边。列。
在B公司，它位于＆＃34;商品和销售收入＆＃34;列，它被列为每单位千美元。
在C公司，情况更糟。您需要查找包含措辞＆＃34;来自销售商品的收入和＆＃34;然后向下移动包含措辞＆＃34;渲染服务＆＃34;的下一行，将该列旁边的值添加到包含措辞＆＃34;废料销售＆＃34;，＆＃34; Gain的行中的数据关于汇率＆＃34;和＆＃34;获得设备处理＆＃34;。
有超过500多家公司，以及超过20年的过去数据提取（内容也可能每年不同），这就成了问题。我不知道如何处理每个案件。数据非结构化。
所以，我想问的是，那里有没有任何库/ API（最好是JAVA）提取这种模糊信息？如果有人已经这样做，我不想重新发明轮子。是否有任何现成的机器学习API用于此类事情？此外，这些公司没有在美国或其他知名证券交易所上市，因此没有可用的数据提供商。
感谢您的回复。
答案 0 :(得分：0)
坏消息：我很确定没有这样的库/ API，因为你想要的东西太复杂了（至少现在）不能自动完成，特别是在像C这样的情况下：有太多特定于域的语义很难被编码。
好消息：我认为80/20规则对你的情况仍然适用 - 大多数表都有清晰的结构，如A或B，你可以编写简单的脚本来为它们提取值，而其他表必须手动完成。我建议逐步开发这样的脚本：从案例A开始，然后为所有表启动程序。对于失败的表，选择最简单的情况并为其调整代码;等等。我相信这种方式是最快的，虽然不是那么令人兴奋。
在this paper中描述了从表中半自动提取所需信息的一种更有趣的方法（对不起自引）。不幸的是，没有工作库或API，但我认为这个想法很简单，很容易编码。
答案 1 :(得分：0)
公司通常以基于名为XBRL的XML的计算机可读格式提供此信息。此格式允许您以编程方式提取您正在谈论的语义信息。与XML相关，规范自然非常密集，但信息就在那里。
作为一个随机的例子，埃克森美孚在他们的investors site上自由发布他们的数据。