一種復雜網(wǎng)頁結構化信息精確提取方法、設備及存儲介質(zhì)

基本信息

申請?zhí)?/td> CN202110701621.2 申請日 -
公開（公告）號 CN113254751B 公開（公告）日 2021-09-21
申請公布號 CN113254751B 申請公布日 2021-09-21
分類號 G06F16/951（2019.01）I;G06F16/953（2019.01）I;G06F16/958（2019.01）I 分類 計算；推算；計數(shù);
發(fā)明人 安永進;武偉;孫江;邵鄭翰 申請（專利權）人 北森云計算有限公司
代理機構 成都九鼎天元知識產(chǎn)權代理有限公司 代理人 徐靜
地址 610041四川省成都市高新區(qū)萃華路89號1棟1單元4001號
法律狀態(tài) -

摘要

摘要 本發(fā)明公開了一種復雜網(wǎng)頁結構化信息精確提取方法、設備及存儲介質(zhì)，該方法包括：針對目標網(wǎng)頁，收集一批樣本網(wǎng)頁；根據(jù)樣本網(wǎng)頁制定各個區(qū)塊的查找規(guī)則和匹配規(guī)則；結合區(qū)塊情況確定條目的查找規(guī)則和匹配規(guī)則；在區(qū)塊內(nèi)確定定位節(jié)點的查找規(guī)則和匹配規(guī)則；針對字段節(jié)點，確定從定位節(jié)點到此字段節(jié)點的查找規(guī)則和匹配規(guī)則；通過基于規(guī)則或機器學習的方法自動提取各個樣本網(wǎng)頁中的字段信息；根據(jù)提取的字段信息自動生成解析模板；對自動生成的解析模板進行校對糾正；針對任意HTML網(wǎng)頁，根據(jù)域名、路徑和文本特征選擇對應的模板解析提取。本發(fā)明基于復雜網(wǎng)頁特點，將其劃分為多個區(qū)塊，并利用定位節(jié)點的固有特征，提高了字段節(jié)點定位準確度。