解析 uspto xml 文件

Question

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 但是，我找不到解决方案 您可以找到我要解析的 xml 文件 here 我也试过用beautifulsoup，但没有成功。

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))

Answer 1

我下载了其中一个文档，但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：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE us-patent-grant SYSTEM "us-patent-grant-v45-2014-04-03.dtd" [ ]>
<us-patent-grant>
.
.
.
</us-patent-grant>
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE us-patent-grant SYSTEM "us-patent-grant-v45-2014-04-03.dtd" [ ]>
<us-patent-grant>
.
.
.
</us-patent-grant>

例如，ipgb20190101_wk01.zip 中有 7162 个 XML 文档连接在一起。在解析这些数据之前，您必须编写代码来按顺序提取每个 XML 文档。

更新

您可以使用csplit 命令将 XML 文档提取到单独的文件中：

csplit -f 'patent-' -b '%02d.xml' ipgb20190101.xml '/^<?xml /' '{*}'

这将为您提供文件 patent-0000.xml 到 patent-7126.xml（假设您使用与我相同的示例数据）。