如何解析已下载的SEC EDGAR 13F报表TXT文件得到可用数据

• 依赖包准备
  需要用到3个R包，可执行以下代码安装加载：

  # 安装未安装的包
  install.packages(c("xml2", "stringr", "dplyr"))
  # 加载包
  library(xml2)
  library(stringr)
  library(dplyr)
  

• 核心逻辑
  EDGAR公开的原始TXT文件为多格式混合内容，13F报表的结构化持仓数据全部封装在<informationTable>和</informationTable>标签对内部的XML片段中，只需提取该片段即可解析得到可用的表格数据。
• 完整解析代码
  替换代码中的本地文件路径为你实际存储的TXT文件路径即可运行：

  # 1. 读取本地TXT文件全部内容
  local_file_path <- "你的本地13F TXT文件路径" # 例："~/downloads/0001567619-21-010580.txt"
  raw_content <- readLines(local_file_path, warn = FALSE, encoding = "UTF-8") %>%
    paste(collapse = "\n")
  
  # 2. 提取13F持仓数据对应的XML片段
  xml_segment <- str_extract(raw_content, "<informationTable.*?</informationTable>")
  
  # 3. 解析XML并转换为数据框
  xml_doc <- read_xml(xml_segment)
  holdings_nodes <- xml_find_all(xml_doc, ".//infoTable")
  
  holdings_df <- lapply(holdings_nodes, function(node) {
    child_nodes <- xml_children(node)
    data.frame(
      t(setNames(xml_text(child_nodes), xml_name(child_nodes))),
      check.names = FALSE,
      stringsAsFactors = FALSE
    )
  }) %>% bind_rows()
  
  # 输出解析结果预览
  head(holdings_df)
  

• 输出说明
  最终得到的holdings_df即为结构化的13F持仓表，包含股票名称、CUSIP编码、持仓市值、持仓数量、投资类型等全部公示字段，可直接用于后续分析。
• 异常处理
  如果出现XML提取失败的情况，可打开原始TXT文件确认持仓数据的包裹标签，调整正则匹配的标签名即可适配不同时期的13F报表。

内容的提问来源于stack exchange，提问作者GValER