我正在尝试将uspto的专利xml文件解析为csv。我阅读并尝试了各种方法。最近,我遇到了这个post 然而,我找不到解决办法 您可以找到我正试图解析的xml文件here 我也试过用美体素,但没有运气。在
这是我使用的代码
import xml.etree.ElementTree as x
path = r"C:\Users\XX\Downloads\ipg190423\ipg190423.xml"
d = []
s = ""
f = open(path)
for l in f:
if l == "<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n":
if len(s)>0:
d.append(s)
s = ""
s += l
d.append(s)
index = 0
for xm in d:
root = x.fromstring(xm)
for e in root.iter(tag="patent-"):
print(e)
index += 1
filename = format(str(index) + ".xml")
with open(filename, 'w') as f:
f.write(x.tostring(e))
我下载了其中一个文档,问题是它们不是有效的XML文档。它们由连接在一起的多个XML文档组成。基本结构是:
例如,在
ipgb20190101_wk01.zip
中,有7162个XML文档连接在一起。在解析这些数据之前,您必须编写代码以按顺序提取每个XML文档。在更新
可以使用^{} 命令将XML文档提取到单独的文件中:
^{pr2}$这将为您提供文件
patent-0000.xml
到patent-7126.xml
(假设您使用了与我相同的示例数据)。在相关问题 更多 >
编程相关推荐