一種基于抽取模板的網(wǎng)頁(yè)正文抽取方法及裝置
基本信息
| 申請(qǐng)?zhí)?/td> | CN201810760576.6 | 申請(qǐng)日 | - |
| 公開（公告）號(hào) | CN109033282B | 公開（公告）日 | 2021-07-23 |
| 申請(qǐng)公布號(hào) | CN109033282B | 申請(qǐng)公布日 | 2021-07-23 |
| 分類號(hào) | G06F16/9535（2019.01）I;G06N3/04（2006.01）N;G06K9/62（2006.01）N | 分類 | 計(jì)算；推算；計(jì)數(shù); |
| 發(fā)明人 | 董瑞朝;董新建;李貞 | 申請(qǐng)（專利權(quán)）人 | 山東邦尼信息科技有限公司 |
| 代理機(jī)構(gòu) | 北京超凡志成知識(shí)產(chǎn)權(quán)代理事務(wù)所（普通合伙） | 代理人 | 梁斌 |
| 地址 | 250000山東省濟(jì)南市高新區(qū)新濼大街2008號(hào)銀荷大廈4-201-101 | ||
| 法律狀態(tài) | - | ||
摘要
| 摘要 | 本發(fā)明提供一種基于抽取模板的網(wǎng)頁(yè)正文抽取方法及裝置。所述方法包括：獲取待抽取正文信息的網(wǎng)頁(yè)的網(wǎng)頁(yè)信息，網(wǎng)頁(yè)的IP地址和網(wǎng)頁(yè)內(nèi)容；若判斷獲知抽取方式為模板抽取，則獲取網(wǎng)頁(yè)信息對(duì)應(yīng)的目標(biāo)抽取模板，目標(biāo)抽取模板中包括至少一個(gè)段起始信息和至少一個(gè)段結(jié)尾信息；根據(jù)段起始信息和段結(jié)尾信息對(duì)網(wǎng)頁(yè)進(jìn)行分段處理，獲得一個(gè)或多個(gè)網(wǎng)頁(yè)段；依次對(duì)各網(wǎng)頁(yè)段進(jìn)行字段抽取獲得每一網(wǎng)頁(yè)段對(duì)應(yīng)多個(gè)字段；利用數(shù)據(jù)庫(kù)中的字典對(duì)字段進(jìn)行字典映射獲得所述字典中與字段對(duì)應(yīng)的字典字段，將字段存入所述字典字段對(duì)應(yīng)的數(shù)據(jù)表中，以實(shí)現(xiàn)對(duì)所述網(wǎng)頁(yè)中正文的抽取。裝置用于執(zhí)行上述方法。本發(fā)明可以方便快速地獲取到網(wǎng)頁(yè)中的正文信息。 |
