将html标记中的信息提取到

Question

我有一个满是html文件的文件夹。我正在尝试选择正确的html标记，以便正确打印引文，我需要的输出只是出版物编号和标题。到目前为止，我是在这么多年来的各种帖子的帮助下完成这项工作的

with open(filename, 'r',encoding='utf-8') as f:# start loop to read HTML files in folder
    patent = f.read()
    #print(filename)
    soup = BeautifulSoup(patent, 'html.parser') 
    x=soup.select('tr[itemprop="backwardReferencesOrig"]')
    backorigdf= pd.read_html(str(x))
    print(backorigdf.loc[: , ['Publication number', 'Title']

但我收到一条错误消息ValueError：找不到表。我希望以熊猫数据帧格式输出多个HTML文件引用，以便更容易分析数据。有人能告诉我我做错了什么吗？这是指向HTML文件https://patents.google.com/patent/US4458945?oq=US4458945A的链接。此文件保存在我的计算机上的HTML文件中，我不想从URL读取。我想从HTML文档中提取代码

Answer 1

了解预期结果的总数将有所帮助。在下面，我通过使用：contains以引文h2元素为目标，然后移动到相邻的表来检索25个独特的结果

from bs4 import BeautifulSoup as bs
import requests
import pandas as pd
 
r = requests.get('https://patents.google.com/patent/US4458945?oq=US4458945A')
soup = bs(r.content, 'lxml')
df = pd.concat([pd.read_html(str(t.find_next('table')))[0]
                for t in soup.select('h2:contains("Citations", "Family Cites")')])

df.drop_duplicates(inplace=True)
df.sort_values(by=['Priority date'], inplace=True)
df.reset_index(drop=True, inplace=True) 
print(df)