使用 python 提取 html 文件中的特定部分

Question

如何提取 html 文件示例的特定部分 https://patents.google.com/patent/EP1208209A1/en?oq=medicinal+chemistry

到目前为止，我使用 beautifulsoup 获得了没有所有标签的 html 的文本版本。但我希望我的代码只读取上述文件的声明部分。

Answer 1

据我所知，有两个带有 class="flex flex-width style-scope patent-result".

的 div

soup = BeautifulSoup(sdata)
mydivs = soup.findAll("div", {"class": "flex flex-width style-scope patent-result"})
div_with_claims = mydivs [1]

Answer 2

filename= 'C:/Users/xyz/.ipynb_checkpoints/EP1208209A1.html'
html_file =open(filename, 'r', encoding='utf-8')
source_code = html_file.read() 
#print(source_code)
soup = BeautifulSoup(source_code)
print(soup.get_text())
#mydivs = soup.findAll("div", {"class": "flex flex-width style-scope patent-result"})
#div_with_claims = mydivs [1]
#print(div_with_claims)

Answer 3

伙计，我发现在这个网站上，声明部分是一个 html，它有自己的 ID，让事情变得更容易。我只是收集了部分并给出了字符串，所以你可以玩它。

import requests
from bs4 import BeautifulSoup
page = requests.get("https://patents.google.com/patent/EP1208209A1/en?oq=medicinal+chemistry")
soup = BeautifulSoup(page.content, 'html.parser')
claim_sect = soup.find_all('section', attrs={"itemprop":"claims"})
print('This is the raw content: \n') 
print(str(claim_sect)) 
print('This is the variable type: \n') 
print(str(type(claim_sect))) 
str_sect  =  claim_sect[0]

使用 python 提取 html 文件中的特定部分

Extract specific portions in html file using python

html

python

parsing

beautifulsoup

extraction