python - 如何使用 BeautifulSoup 从父标签和子标签中获取文本以放入 DOCX 表中

Question

我正在尝试使用 BeautifulSoup 解析来自 google.com/patents 的声明并将它们放入 DOCX 表中。

我已经设法检索到声明，但不幸的是，父 div 标签包含声明的第一部分，子 div-s 是声明其余部分的一部分，如下图所示。

当我运行该程序时，表格中的第一个单元格包含父级和所有子级 div 文本，并且子级 div 传播以下表格单元格。

我想使用父 div 中的文本传播 DOCX 表中的第一个单元格，同时排除子 div，并使用子 div-s 中的文本传播后续单元格。

我已经尝试 .decompose 获取父项的声明，我已经尝试弄清楚如何重命名 child 以放入表格中。

   from bs4 import BeautifulSoup
   import requests
   from docx import Document
   from docx.enum.table import WD_TABLE_DIRECTION

   document = Document()

   url = 'https://patents.google.com/patent/US7054130?oq=US7654309'

   response = requests.get(url)
   data = response.text
   soup = BeautifulSoup(data, 'html.parser')

   claims = soup.select('div .claim-text')

   table = document.add_table(rows=1, cols=2, style='Table Grid')

   for claim in claims:

        if not claim.find('claim-ref'):

            try:
                print(claim.text + '\n')
                cells = table.add_row().cells
                cells[0].text = claim.text

                # Add space between paragraphs
                document.add_paragraph('')

            except:

                continue

    document.save('my_test.docx')

我希望能够使用在父项中找到的声明开头的文本解析声明到 DOCX 表的单元格 1 中，并从单元格中排除子项。 children 应该分别进入自己的牢房。

这是我尝试运行该程序时得到的结果:

这就是我想要实现的目标:

我一直无法弄清楚如何将文本与父项和子项分开。

Answer 1

为了避免重复，只需从顶部的 div 中获取整个文本并适本地拆分它，例如:

from bs4 import BeautifulSoup
import requests
from docx import Document

document = Document()
url = 'https://patents.google.com/patent/US7054130?oq=US7654309'
response = requests.get(url)
data = response.text
soup = BeautifulSoup(data, 'html.parser')
claims_section = soup.find('section', itemprop='claims').div.div
table = document.add_table(rows=0, cols=2, style='Table Grid')

for div in claims_section.find_all('div', class_='claim', recursive=False):
    div_claim_text = div.find_next('div', class_='claim-text')
    lines = [line.strip() for line in div_claim_text.text.splitlines() if line.strip()]

    for line in lines:
        cells = table.add_row().cells
        cells[0].text = line

document.save('my_test.docx')

此方法仅存储独立声明。