2001-2022年上市公司年报（txt及pdf文本年报+巨潮资讯python下载+文本分析代码）

lemonapple0124 发表于 2023-12-28 16:44
你好，解压成功以后，2007文件夹中还有2007_1文件夹，两个里面有2007-23，请问是以哪个为准呢

子文件夹里的年报是我根据自身的情况又单独拿出来的，和主文件里重复的年报没有区别，子文件夹里有些和主文件重复有些没重复，使用时将子文件里的年报复制或剪切，粘贴到主文件里，剔除重复项即可。

楼主，你的1.text在哪里

自己设置的关键词，一行一个关键词

楼主你好，请问为什么我用代码导出到excel中后，公司代码中的0全部隐去了，只剩下数字（如000001变成了1），有什么方法能固定pychcarm导出的结果吗？还有就是，将关键词导入jieba词库后，为什么导出的excel列多于关键词的个数（我有5个关键词。可是导出的结果显示词频有9列）

小菜鸡（疯狂学习版 发表于 2024-3-5 20:06
楼主你好，请问为什么我用代码导出到excel中后，公司代码中的0全部隐去了，只剩下数字（如000001变成了1）， ...

提取公司代码后转文本，只针对原文件就是000001_2010.txt 这样命名的，stkcd = str(file_str.split("_")[0])。我一般都是做好后STATA转dta文件，destring _all,replace，将能转数字的转数字格式，你也可以先destring stkcd,replace;然后tostring stkcd,gen(stkcd1)
replace stkcd1 = "0" + stkcd1 if length(stkcd1) == 5
replace stkcd1 = "00" + stkcd1 if length(stkcd1) == 4
replace stkcd1 = "000" + stkcd1 if length(stkcd1) == 3
replace stkcd1 = "0000" + stkcd1 if length(stkcd1) == 2
replace stkcd1 = "00000" + stkcd1 if length(stkcd1) == 1
drop stkcd
rename stkcd1 stkcd
order stkcd，之后将数据输出excel。关键词列数的问题详看我发的帖子关键词在文件中如何设置，代码和表格列名对应的是类似sheet1_1.write(index1 + 1, 0, stkcd)这样的代码，看看是第几列开始才是真正的关键词列，前几列是其他信息。

您好，想问一下下载了txt，然后用您的代码跑显示UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc5 in position 49153: invalid continuation byte是因为什么呀

Josiie 发表于 2024-3-21 20:21
您好，想问一下下载了txt，然后用您的代码跑显示UnicodeDecodeError: 'utf-8' codec can't decode byte 0x ...

可能有几个文本不是utf-8编码，可使用try，except，即
......
try：
           f = open(file, encoding='utf-8')
.......

except:
            print("未完成" + file)
continue
不停止代码运行的情况下将出现问题的文本显示出来，出现问题的文本依据具体情况分别进行处理，非utf-8编码的文件，可将代码中f = open(file, encoding='utf-8')，改成f = open(file, encoding='gbk')，再运行代码。

wangzhiyu139 发表于 2024-3-21 21:56
可能有几个文本不是utf-8编码，可使用try，except，即
......
try：

找到啦~谢谢楼主~