在Python中从URL抓取特定信息

抓取HTML表的最简单方法是使用

pandas.read\uHTML（url）

。对于下面的URL，我得到了它的所有表

import pandas as pd
url="http://patft.uspto.gov/netacgi/nph-Parser?Sect1=PTO1&Sect2=HITOFF&d=PALL&p=1&u=%2Fnetahtml%2FPTO%2Fsrchnum.htm&r=1&f=G&l=50&s1=3944788.PN.&OS=PN/3944788&RS=PN/3944788"
df=pd.read_html(url)

从上面的网址，我只想要这个具体的信息

Current U.S. Class: 235/54F

考虑到上面的

df

作为一个列表，我已经编写了以下代码来获取这个特定信息

myitem="Current U.S. Class:"
for i in range(len(df)):
    if myitem in str(df[i]):
        ClassTitle=''.join(df[i][0])
        ClassNumber=''.join(df[i][1])

if ';' in ClassTitle:
    ClassTitle=ClassTitle.rsplit(':')
    print(ClassTitle[0])
if ';' in ClassNumber:
    ClassNumber=ClassNumber.rsplit(';')
if ',' in ClassTitle:
    ClassTitle=ClassTitle.rsplit(',')
    print(ClassTitle[0])
if ',' in ClassNumber:
    ClassNumber=ClassNumber.rsplit(',')

---

但这有时适用于某些URL，有时还包括其他类的详细信息以及

当前CPC类

和

当前国际类

。我也尝试过使用

查看页面源代码
功能来
美化soap
，但提到类我感到困惑。
使用美化soup

import requests
from bs4 import BeautifulSoup

r = requests.get('http://patft.uspto.gov/netacgi/nph-Parser?Sect1=PTO1&Sect2=HITOFF&d=PALL&p=1&u=%2Fnetahtml%2FPTO%2Fsrchnum.htm&r=1&f=G&l=50&s1=3944788.PN.&OS=PN/3944788&RS=PN/3944788')
soup = BeautifulSoup(r.text, 'lxml')
table = soup.find_all('table')[4]
result = table.find('tr').text
print(result)
# Current U.S. Class: 235/54F 

解释

您要查找的表格是页面中的第五个表格
find_all（'table'）
返回所有表的列表。因此，
find_all（'table'）[4]
将给出第五个表

所需的文本位于第一行或第一个
tr
标记中
table.find（'tr'）
返回在表中找到的第一个
tr
标记

最后，
.text
提供标记内的文本。
是否有任何直接方法可以获取包含所需信息的表号，因为某些url在其他一些表号中包含此信息。一个解决方案可以是，首先我必须在所有表中搜索“Current US Class”字符串，并获取包含此信息的表号，但我想知道有没有直接的方法@你可以用这个方法。试着自己做。如果你做不到，你可以在这里问一个新问题，如果没有人问过的话。你不会得到桌子号，但你会直接得到桌子。当然，兄弟非常感谢你的好意。