解决pandas.read_xml读取EPO专利XML文件的KeyError问题并生成指定DataFrame

问题原因 #

你之前的报错是因为目标字段都是根节点<exchange-document>的属性，而非子元素。直接传入root.tag给read_xml()，方法会默认去查找该标签下的子元素列，自然找不到对应字段抛出KeyError。

正确读取方案 #

利用read_xml()的xpath和attrs_only参数，直接提取根节点的属性生成DataFrame：

import pandas as pd

# 读取XML文件，定位根节点并仅提取其属性
df = pd.read_xml(
    "你的EPO专利XML文件路径",
    xpath="/exchange-document",
    attrs_only=True
)

# 筛选需要的目标列
target_columns = [
    'Country', 
    'date-produced', 
    'date-of-exchange', 
    'dtd-version', 
    'file', 
    'no-of-document', 
    'originating-office', 
    'status'
]
df = df[target_columns]

# 查看结果
print(df.head())

关键参数说明 #

• xpath="/exchange-document"：精准定位到XML的根节点，确保读取的是根节点的属性集合
• attrs_only=True：告诉pandas只提取节点的属性，忽略节点内的子元素内容

内容的提问来源于stack exchange，提问作者Lusian