EDGAR-Crawler 是一个面向 SEC EDGAR 披露文件的开源下载和结构化工具，支持从 EDGAR 下载 10-K、10-Q、8-K 等文件，并把原始、非结构化披露文本解析成更干净的 JSON 结构。它的目标非常明确：为金融 NLP 实验提供可复用的上市公司披露文本数据管道。

SEC 文件是金融 AI 的核心公开数据源之一。大量金融问答、财报摘要、风险因素分析、管理层讨论分析、行业比较、信用风险研究都离不开 10-K、10-Q、8-K 等披露文件。但原始 EDGAR 文件格式复杂，包含 HTML、表格、标签、附件、章节标题和各种历史格式。EDGAR-Crawler 的价值就在于把“可下载”推进到“可建模”。

项目支持按年份、季度、公司和文件类型筛选下载，并解析指定关键章节。对银行学习者来说，最值得关注的是它将披露文件切分为结构化部分的思路。比如 10-K 中的业务描述、风险因素、MD&A、财务报表、法律事项等章节，对应不同的 AI 任务和风险分析视角。

在金融 RAG 中，EDGAR-Crawler 可以作为知识库构建前的原料处理层。相比直接把完整 10-K 丢进向量库，先把章节、公司、年份、文件类型、item 编号等元数据保留下来，可以显著提升检索可控性和引用可追溯性。银行如果要做企业客户外部信息分析，也可以借鉴这种“披露文件分层结构化”的方法。

• 从 SEC EDGAR 下载 10-K、10-Q、8-K 等上市公司披露文件。
• 将原始披露文本解析成标准化 JSON，适合金融 NLP 和 RAG 使用。
• 支持按公司、年份、季度、文件类型和章节组织数据。
• 可用于财报摘要、风险因素分析、管理层讨论问答、信用研究和投研助手。

EDGAR-Crawler 最适合学习“公开披露数据如何变成模型语料”。它让学习者看到，金融文档数据工程不只是下载 PDF 或 HTML，还包括章节识别、文本清洗、元数据保留、文件类型区分和输出格式设计。

对银行而言，这类能力可以迁移到年报、审计报告、募集说明书、发债公告、监管处罚和企业公告处理。尤其在对公授信和贷后管理中，公开披露文件可以成为客户风险分析的重要补充。

• 上市公司风险因素自动抽取和变化追踪。
• 10-K/10-Q/8-K 财报 RAG 知识库构建。
• 管理层讨论章节摘要、指标解释和问答。
• 对公客户外部披露信息监控和信用研究。
• 金融 NLP 数据集构建和模型预训练语料准备。

EDGAR 数据主要面向美国 SEC 披露体系，不覆盖所有国家和非上市企业。披露文件虽然公开，但并不等于没有使用边界，生产应用仍需遵守 SEC 访问规则和数据使用政策。自动解析章节可能受文件格式变化影响，必须保留原文链接、章节来源和人工抽查机制。