# 开源情报-专利局公开数据采集 技能

## ⛔ 核心铁律

**全篇文档不能有任何编造，必须全部来自于真实数据源。**

- 采集的每一条专利数据必须来自官方专利局或权威聚合平台（Google Patents、EPO Espacenet等）
- 任何无法验证的字段标注"数据暂无"，绝不编造
- 遵守目标网站的 robots.txt 和 API 使用条款
- 禁止使用自动化批量爬取导致服务器压力

---

## 技能概述

从全球各国专利/商标局公开数据库中，系统采集专利、商标的公开结构化数据，输出标准化JSON/CSV/Excel，附带数据护照。

**触发条件：** 用户要求采集某公司/机构/技术领域的专利数据、商标数据，或要求查询特定专利局的公开数据。

---

## 一、全球专利/商标局公开数据库清单

### 第一梯队：可直接API/网页采集

| 数据库 | 覆盖范围 | 采集方式 | 认证要求 | 优先级 |
|--------|---------|---------|---------|--------|
| **Google Patents** | 全球100+专利局 | 网页解析（稳定） | 无 | ⭐⭐⭐⭐⭐ |
| **EPO Espacenet** | 全球专利 | 网页解析 | 无 | ⭐⭐⭐⭐ |
| **EPO OPS** | 全球专利 | REST API | OAuth2（免费注册） | ⭐⭐⭐⭐ |
| **USPTO ODP** | 美国专利 | REST API | 无（部分需Key） | ⭐⭐⭐ |
| **CNIPA** | 中国专利 | 网页解析 | 无 | ⭐⭐⭐ |

### 第二梯队：需注册/认证

| 数据库 | 覆盖范围 | 采集方式 | 认证要求 | 优先级 |
|--------|---------|---------|---------|--------|
| **EPO OPS (注册版)** | 全球专利 | REST API | OAuth2（免费） | ⭐⭐⭐⭐ |
| **WIPO PATENTSCOPE** | PCT专利 | Web Service API | 免费注册 | ⭐⭐⭐⭐ |
| **USPTO PEDS** | 美国专利审查数据 | REST API | 免费 | ⭐⭐⭐ |
| **EUIPO Open Data** | 欧盟商标/外观 | REST API | 免费注册 | ⭐⭐⭐ |
| **KIPO KIPRIS** | 韩国专利 | REST API | 免费 | ⭐⭐⭐ |

### 第三梯队：网页搜索为主

| 数据库 | 覆盖范围 | 采集方式 | 说明 |
|--------|---------|---------|------|
| **J-PlatPat (JPO)** | 日本专利 | 网页搜索 | 英文界面有限 |
| **DPMA (德国)** | 德国专利 | 网页搜索 | DEPATISnet |
| **IPO (英国)** | 英国专利 | 网页搜索 | Ipsum系统 |
| **IP Australia** | 澳大利亚专利 | API+网页 | 较友好 |
| **INPI (法国)** | 法国专利 | 网页搜索 | 法语界面 |

---

## 二、标准采集字段

### 专利数据标准字段（20项）

| 序号 | 字段名 | 英文名 | 说明 |
|------|--------|--------|------|
| 1 | 专利号 | Patent Number | 含国家代码，如US20240015555A1 |
| 2 | 专利标题 | Title | 原始语言标题 |
| 3 | 摘要 | Abstract | 专利摘要全文 |
| 4 | 专利类型 | Type | 发明/实用新型/外观设计 |
| 5 | 申请号 | Application Number | 原始申请号 |
| 6 | 申请日期 | Filing Date | YYYY-MM-DD |
| 7 | 公开号 | Publication Number | 含类型代码 |
| 8 | 公开日期 | Publication Date | YYYY-MM-DD |
| 9 | 授权日期 | Grant Date | 已授权专利 |
| 10 | IPC分类号 | IPC Classification | 国际专利分类 |
| 11 | CPC分类号 | CPC Classification | 联合专利分类 |
| 12 | 发明人 | Inventors | 姓名+国籍 |
| 13 | 申请人/专利权人 | Assignee/Applicant | 公司名称+地址 |
| 14 | 优先权 | Priority | 优先权号+日期 |
| 15 | 法律状态 | Legal Status | 有效/失效/审查中 |
| 16 | 专利说明 | Description | 说明书（可选全文） |
| 17 | 权利要求 | Claims | 独立权利要求 |
| 18 | 引用专利 | Cited Patents | 被引用的专利列表 |
| 19 | 被引用次数 | Forward Citations | 被后续专利引用次数 |
| 20 | 专利家族 | Patent Family | 同族专利号列表 |

### 商标数据标准字段（12项）

| 序号 | 字段名 | 英文名 | 说明 |
|------|--------|--------|------|
| 1 | 商标号 | Trademark Number | 官方编号 |
| 2 | 商标名称 | Mark Name | 文字/图形商标名 |
| 3 | 申请人 | Applicant | 公司名称+地址 |
| 4 | 申请日期 | Filing Date | YYYY-MM-DD |
| 5 | 注册日期 | Registration Date | YYYY-MM-DD |
| 6 | 商标类型 | Mark Type | 文字/图形/组合 |
| 7 |尼斯分类 | Nice Classification | 商品/服务类别 |
| 8 | 法律状态 | Status | 已注册/审查中/失效 |
| 9 | 注册国/地区 | Jurisdiction | 国家/地区代码 |
| 10 | 商标图样 | Mark Image URL | 图形商标图片 |
| 11 | 类似群组 | Similar Groups | 类似商品/服务群 |
| 12 | 代理人 | Representative | 商标代理机构 |

---

## 三、采集流程

### Step 1: 确定采集目标

用户需提供以下之一：
- 目标公司/机构名称（如"DARPA""Lockheed Martin""Huawei"）
- 技术关键词（如"cognitive warfare""AI radar""quantum encryption"）
- 特定专利号
- 特定分类号范围（如CPC G06N）

### Step 2: 选择数据源

按优先级选择：
1. **Google Patents**（首选）— 覆盖全球，无需认证，解析稳定
2. **EPO Espacenet**（次选）— 欧洲专利为主，数据更全
3. **EPO OPS API**（需注册）— 大规模采集时使用
4. **CNIPA**（中国专利专用）
5. **EUIPO**（欧盟商标专用）

### Step 3: 执行采集

使用 `scripts/patent_office_collector.py` 脚本：
```bash
# 按关键词采集
/root/miniconda3/envs/data-collector/bin/python scripts/patent_office_collector.py \
  --source google_patents \
  --query "cognitive warfare" \
  --max-results 50 \
  --output results.json

# 按公司名采集
/root/miniconda3/envs/data-collector/bin/python scripts/patent_office_collector.py \
  --source google_patents \
  --assignee "Lockheed Martin" \
  --max-results 100 \
  --output lockheed_patents.json

# 按专利号采集
/root/miniconda3/envs/data-collector/bin/python scripts/patent_office_collector.py \
  --source google_patents \
  --patent-ids US20240015555A1,US11929541B2 \
  --output specific_patents.json
```

### Step 4: 数据清洗与标准化

- 统一日期格式（YYYY-MM-DD）
- 标准化分类号（IPC/CPC）
- 去重（同一专利家族多国公开）
- 补充法律状态

### Step 5: 输出与数据护照

- JSON原始数据
- CSV/Excel标准格式
- 数据护照（来源、采集时间、字段完整率、质量评分）

---

## 四、Google Patents 采集技术方案（主要通道）

### 4.1 单件专利详情采集

**URL格式：** `https://patents.google.com/patent/{PATENT_ID}/en`

**可提取字段及提取方式：**

| 字段 | HTML提取方式 |
|------|-------------|
| 专利号 | `meta[citation_patent_publication_number]` |
| 专利标题 | `meta[DC.title]` |
| 摘要 | `<section class="abstract">` |
| 申请号 | `meta[citation_patent_application_number]` |
| 申请日期 | `meta[DC.date]` 第一个值 |
| 发明人 | `meta[DC.contributor]` |
| 说明书 | `meta[DC.description]` |
| 引用专利 | `meta[DC.relation]` |
| PDF链接 | `meta[citation_pdf_url]` |
| 分类号 | 解析CPC/IPC section |
| 权利要求 | `<div class="claim">` |

### 4.2 关键词搜索采集

**URL格式：** `https://patents.google.com/?q={KEYWORD}&oq={KEYWORD}`

**注意：** Google Patents搜索页为动态加载，需使用Playwright或Scrapling进行渲染后采集。

### 4.3 频率控制

- 单件专利详情：请求间隔 ≥ 2秒
- 搜索结果页：请求间隔 ≥ 5秒
- 每小时最多采集 200 件专利详情
- 遇到429/503自动退让30秒

---

## 五、EPO OPS API 采集方案（注册通道）

### 5.1 注册流程

1. 访问 https://developers.epo.org/
2. 注册免费账号
3. 创建应用获取 Consumer Key 和 Consumer Secret
4. 使用 OAuth2 获取 Access Token

### 5.2 API端点

| 端点 | 功能 |
|------|------|
| `/published-data/search` | 检索专利 |
| `/published-data/search/biblio` | 检索专利书目数据 |
| `/published-data/search/fulltext` | 检索全文 |
| `/published-data/images/{type}/{doc_id}` | 获取图片 |
| `/family/publication/docdb/{doc_id}` | 专利家族 |
| `/number-service/application/{type}/{number}` | 号码转换 |

### 5.3 频率限制

- 认证用户：每分钟最多 30 请求
- 匿名用户：每分钟最多 5 请求
- 每小时最多 1000 请求

---

## 六、质量检查清单

- [ ] 所有数据来自真实专利局公开数据
- [ ] 专利号格式正确（含国家代码+类型代码）
- [ ] 日期格式统一为 YYYY-MM-DD
- [ ] 发明人/申请人名称未截断
- [ ] 分类号格式正确（IPC/CPC）
- [ ] 法律状态已验证
- [ ] 去重处理（同族专利）
- [ ] 数据护照完整

---

## 七、输出示例

### 数据护照格式

```json
{
  "data_passport": {
    "source": "Google Patents",
    "collection_time": "2026-06-05T10:30:00Z",
    "query": "cognitive warfare",
    "total_records": 50,
    "fields_coverage": {
      "patent_number": "100%",
      "title": "100%",
      "abstract": "92%",
      "filing_date": "98%",
      "assignee": "86%",
      "cpc": "94%",
      "inventors": "90%"
    },
    "quality_score": "A",
    "compliance": "robots.txt compliant, rate-limited"
  }
}
```

---

**瞰宇 | 穿越数字国界，瞭望全球局势 · 解构认知域，守护认知安全**