如何用Python从SEC EDGAR提交文件中提取UU编码图片？

问题背景 #

从SEC EDGAR公开公司监管申报全文中，已能通过Python分离DOCUMENT标签分隔的文件，但其中的UU编码图片无法转存为JPG。尝试过标准库uu、base64及在线解码工具均失败，示例UU编码块包含行首M标记及HTML转义字符（如"、&）。

解决步骤 #

问题核心在于SEC文件中的UU编码经过了额外处理（行首加M、HTML转义），需先预处理再解码：

1. 提取UU编码块：从申报文件中截取begin到end之间的完整内容，排除begin和end行。
2. 预处理编码内容：
   • 移除每行开头的M字符（及后续可能的空格）
   • 还原HTML转义字符："→"、&→&、<→<、>→>
3. 使用uu库解码并保存：将预处理后的内容传入uu.decode，输出二进制流保存为JPG文件。

代码示例 #

import uu
import io

# 假设已提取到UU编码块内容
uu_block = """begin 644 bxp-20241231_g3.jpg
M_]C_X  02D9)1@ ! @$ 8 !@  #_[@ .061O8F4 90     !_]L 0P " 0$!
M 0$" 0$! @(" @($ P(" @(%! 0#! 8%!@8&!08&!@<)" 8'"0<&!@@+" D*
MTD)^'_\\ X%S?_&Z/^'_'_!&W_I(3\\/\\ _P "YO\\ XW7\\85% '[I?\\':7_!1S
M]AW]MS]GCX2>%OV4/VE?#?CK4-#\\:7UUJUIH<SN]K"]H$5VW*."W%%?A;10!
"_]D!

end"""

# 处理编码内容
lines = uu_block.splitlines()
# 过滤无效行
data_lines = [line for line in lines if not line.startswith(('begin', 'end')) and line.strip()]

processed_lines = []
for line in data_lines:
    # 移除行首的M及后续空格
    if line.startswith('M'):
        line = line[1:].lstrip()
    # 还原HTML转义
    line = line.replace('&quot;', '"').replace('&amp;', '&').replace('&lt;', '<').replace('&gt;', '>')
    processed_lines.append(line)

# 拼接成符合UU编码标准的内容
processed_content = '\n'.join(processed_lines) + '\n'

# 解码并保存图片
input_stream = io.StringIO(processed_content)
output_stream = io.BytesIO()

try:
    uu.decode(input_stream, output_stream)
    with open('bxp-20241231_g3.jpg', 'wb') as img_file:
        img_file.write(output_stream.getvalue())
    print("图片解码保存成功")
except Exception as e:
    print(f"解码失败: {str(e)}")

注意事项 #

• uu库虽标记为“即将废弃”，但目前仍可正常使用；若需替代，可使用第三方库如python-uulib。
• 若解码仍失败，检查是否有未处理的特殊转义字符，或编码块是否完整（需确保begin和end之间的内容无缺失）。

内容的提问来源于stack exchange，提问作者Dan Brendel