[发明专利]通过黄页信息提取电话号码的方法及云端服务器

权利要求书

1.一种通过黄页信息提取电话号码的方法，其特征在于，包括：

根据预设的训练号码，建立获取黄页信息的至少一个模型/规则；

接收多个客户端发送的电话号码，采用所述至少一个模型/规则定向抓取与电话号码对应的网页中的内容，将与电话号码对应的网页中的与该电话号码相关联的数据抓取，并整理，获得该电话号码的黄页信息，并对所述黄页信息进行筛选，筛选符合的数据作为所述电话号码的黄页信息；

根据所述电话号码，与所述电话号码对应的黄页信息，生成黄页数据库；

其中，所述训练号码为预先获取有黄页信息的号码，所述电话号码包括所述训练号码；

其中，根据预设的训练号码，建立获取黄页信息的至少一个模型/规则，包括：

针对每一个训练号码，获取所述训练号码的黄页信息，将所述训练号码的黄页信息进行分词处理，建立对应所述训练号码的特征词/特征信息；

搜索出现所述训练号码的网页，对所述网页中的文本内容进行分词处理，获取所述文本内容中的关键词/关键信息；

将所述关键词与所述特征词进行匹配，或，将所述特征信息与所述关键信息进行匹配；

如果所述关键词与所述特征词匹配，或者，所述特征信息与所述关键信息匹配，则确定匹配的关键词/关键信息在所述网页中的位置信息、词性；

根据所有训练号码所属的网页中的文本内容、和所述关键词/关键信息在所述网页中的位置信息、词性，建立用于从网页中获取电话号码的黄页信息的至少一个模型/规则。

2.根据权利要求1所述的方法，其特征在于，所述黄页信息包括：

电话号码所登记的个人或商店名称、行业分类、电话信息、和/或网站铭牌地址；

所述电话号码包括：移动电话号码、固定电话号码和公共服务类的电话号码；

所述训练号码包括：移动电话号码、固定电话号码和公共服务类的电话号码；

所述电话号码的相关网页包括：公司主页、微博/论坛网页、服务网站的网页、聚合类网站的网页、和/或高流量网站的网页；

所述方法还包括：定期更新所述训练号码的数量及所述训练号码所对应的黄页信息；

相应地，根据更新的训练号码，更新获取黄页信息的至少一个模型/规则。

3.根据权利要求1所述的方法，其特征在于，所述搜索出现所述训练号码的网页，对所述网页中的文本内容进行分词处理，获取所述文本内容中的关键词/关键信息，包括：

采用网络爬虫获取出现所述训练号码的网页的统一资源定位符URL，根据预设算法筛选获取的所述训练号码的网页的URL，获取URL队列，所述URL队列中的URL对应的网页为需要抓取网页中文本内容的网页；

根据所述URL队列，抓取所述URL队列中的URL对应网页中的文本内容；

对抓取的文本内容进行分词处理，获取所述文本内容中的关键词/关键信息；

其中，所述根据所述URL队列，抓取所述URL队列中的URL对应网页中的文本内容，包括：

在URL对应的站点服务器下载所述网页，获取所述网页中的文本内容；或者，采用浏览器渲染方式从URL对应的站点服务器下载所述网页，获取所述网页中的文本内容；或者，采用代理服务器从URL对应的站点服务器下载所述网页，获取所述网页中的文本内容；

或者，所述对所述网页中的文本内容进行分词处理，获取所述文本内容中的关键词/关键信息，包括：

对每一个训练号码，对该训练号码的网页中的文本内容进行分词处理，采用条件随机场算法获取所述分词处理后的文本内容的关键词/关键信息。