[发明专利]一种站点模板的处理方法及装置

权利要求书

1.一种站点模板的处理方法，其特征在于，所述方法包括：

获取站点所提供的页面，以作为训练样本；

获取模板样式，所述模板样式中定义有至少一个字段；

根据输入的与每个字段相匹配的字符串，在所述训练样本中进行模糊匹配，以获得候选字符串；去除所述候选字符串中的杂质字符，以获得目标字符串；获得所述目标字符串在所述训练样本中的节点路径；根据所述节点路径，从所述训练样本中抽取所述模板样式中定义的与所述目标字符串相匹配的字段的其他描述信息；

根据所述模板样式和所述模板样式中定义的各字段的描述信息，生成所述站点的站点模板。

2.根据权利要求1所述的方法，其特征在于，每个所述字段的描述信息包括字段的元信息、上下文信息、节点路径和字体中至少一个。

3.根据权利要求1所述的方法，其特征在于，所述模板样式包括：站点的域名、站点模板命中的页面的URL、站点模板命中的所述站点所提供的页面的次数、各字段名称、各字段的描述信息、模板类型和模板权重中至少一个。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用所述站点所提供的至少一个页面，对所述站点模板中各字段的描述信息进行校验，以获得校验结果；

根据所述校验结果，对所述站点模板中各字段的描述信息进行调整。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用所述站点模板对所述站点的一个页面进行字符串提取；

若提取的所述字符串与所述站点模板中定义的字段的通用特征相匹配，将所述字符串作为所述页面的搜索索引信息；或者，若提取的所述字符串与所述站点模板中定义的字段的通用特征不匹配，丢弃提取的所述字符串，并将所述站点模板中用于提取出所述字符串的字段的节点路径在所述站点模板中删除。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用所述站点模板中定义的每个字段的描述信息中包含的节点路径，对所述站点的至少两个页面进行字符串提取；

若提取的至少两个所述字符串相同，确定所述站点模板中用于提取出所述字符串的字段的节点路径有误，则将所述站点模板中用于提取出至少两个所述字符串的字段的节点路径在所述站点模板中删除。

7.一种站点模板的处理装置，其特征在于，所述装置包括：

样本获取模块，用于获取站点所提供的页面，以作为训练样本；

样式获取模块，用于获取模板样式，所述模板样式中定义有至少一个字段；

信息匹配模块，用于根据输入的与每个字段相匹配的字符串，在所述训练样本中进行模糊匹配，以获得候选字符串；去除所述候选字符串中的杂质字符，以获得目标字符串；获得所述目标字符串在所述训练样本中的节点路径；根据所述节点路径，从所述训练样本中抽取所述模板样式中定义的与所述目标字符串相匹配的字段的其他描述信息；

模板生成模块，用于根据所述模板样式和所述模板样式中定义的各字段的描述信息，生成所述站点的站点模板。

8.根据权利要求7所述的装置，其特征在于，每个所述字段的描述信息包括字段的元信息、上下文信息、节点路径和字体中至少一个。

9.根据权利要求7所述的装置，其特征在于，所述模板样式包括：站点的域名、站点模板命中的页面的URL、站点模板命中的所述站点所提供的页面的次数、各字段名称、各字段的描述信息、模板类型和模板权重中至少一个。

10.根据权利要求7所述的装置，其特征在于，所述装置还包括：

模板校验模块，用于利用所述站点所提供的至少一个页面，对所述站点模板中各字段的描述信息进行校验，以获得校验结果；

第一调整模块，用于根据所述校验结果，对所述站点模板中各字段的描述信息进行调整。