[파이썬 실험]XPath 대신 텍스트 정제! 간단한 보고서 정보 파서

이 코드는 DART 시스템에서 제공하는 보고서 HTML에서
BeautifulSoup과 정규표현식을 활용하여
회사명, 사업연도, 보고서 종류를 추출하는 간단한 파서입니다.

이전에는 XPath로 위치를 하드코딩했지만,
텍스트 기반 정제로 전환함으로써 더 유연하게 동작할 수 있게 되었습니다.

 

import requests

from bs4 import BeautifulSoup

import re

def parse_report_info(url):

    html = requests.get(url).text

    soup = BeautifulSoup(html, "html.parser")

    text = soup.get_text()

    # 공백 제거 + 줄 정리

    lines = text.splitlines()

    cleaned_lines = [line.strip() for line in lines if line.strip() != ""]

    cleaned_text = "\n".join(cleaned_lines)

    # 줄바꿈은 유지하고 스페이스/탭 제거

    cleaned_text = re.sub(r"[ \t]+", "", cleaned_text)

    # 보고서 종류

    report_match = re.search(r"(분기보고서|반기보고서|사업보고서)", cleaned_text)

    report_type = report_match.group(1) if report_match else "N/A"

    # 사업연도

    year_match = re.search(r"(20[0-9]{2})년", cleaned_text)

    bsns_year = year_match.group(1) if year_match else "N/A"

    # 회사명

    corp_match = re.search(r"회\s*사\s*명\s*:\s*([가-힣㈜\w\s]+?)(?=\s*대\s*표|$)", cleaned_text)

    corp_name = corp_match.group(1).strip() if corp_match else "N/A"

    return {

        "corp_name": corp_name,

        "bsns_year": bsns_year,

        "report_type": report_type

    }

parse_report_info("https://dart.fss.or.kr/report/viewer.do?rcpNo=20230519003016&dcmNo=10651474")

 

 

 

※ 이 코드는 예시일 뿐이며, 본문 전체 내용과 보고서 구조에 따라 정규식은 조정이 필요합니다 :)