[发明专利]一种提取内容数据的方法和装置

权利要求书

1.一种提取内容数据的方法，其特征在于，所述方法包括：

获取目标网站的至少一个网页的网页数据，所述网页数据包括至少一个内容数据和所述至少一个内容数据中的每个内容数据对应的位置信息；

根据预设的样本内容数据的类型，确定所述类型对应的相似度确定方式，所述预设的样本内容数据的类型包括单词类型、集合类型或文字段类型中的至少一个；

根据所述相似度确定方式，在所述至少一个网页的网页数据所包括的内容数据中，确定与所述预设的样本内容数据满足预设相似度条件的目标内容数据，其中，所述预设的样本内容数据是与所述至少一个网页的网页数据满足预设相关度条件的内容数据，且所述预设的样本内容数据是根据所述目标网站的类型设置的；

在所述至少一个网页的网页数据中，获取所述目标内容数据对应的位置信息，基于所述目标内容数据对应的位置信息，在所述目标网站中进行内容数据提取。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标内容数据对应的位置信息，在所述目标网站中进行内容数据提取，包括：

如果所述目标内容数据的数量为多个，则在多个所述目标内容数据对应的位置信息中，确定出现次数最多的N个位置信息，基于所述N个位置信息，在所述目标网站中进行内容数据提取，其中，所述N为预设的正整数。

3.根据权利要求1所述的方法，其特征在于，所述基于所述目标内容数据对应的位置信息，在所述目标网站中进行内容数据提取，包括：

如果所述目标内容数据的数量为多个，则在多个目标内容数据对应的位置信息中，确定出现次数与所述目标内容数据的数量的比值大于第一预设阈值的位置信息，基于确定出的位置信息，在所述目标网站中进行内容数据提取。

4.根据权利要求1所述的方法，其特征在于，所述样本内容数据为单词类型的内容数据；

所述根据所述相似度确定方式，在所述至少一个网页的网页数据所包括的内容数据中，确定与所述预设的样本内容数据满足预设相似度条件的目标内容数据，包括：

在所述至少一个网页的网页数据所包括的内容数据中，确定与预设的样本内容数据相同的目标内容数据。

5.根据权利要求1所述的方法，其特征在于，所述样本内容数据为集合类型的内容数据，所述集合类型的内容数据由多个子数据组成；

所述根据所述相似度确定方式，在所述至少一个网页的网页数据所包括的内容数据中，确定与所述预设的样本内容数据满足预设相似度条件的目标内容数据，包括：

在所述至少一个网页的网页数据所包括的内容数据中，选取集合类型的内容数据；

在选取的集合类型的内容数据中，将与所述样本内容数据中相匹配的子数据的数目大于第二预设阈值的内容数据作为目标内容数据。

6.根据权利要求1所述的方法，其特征在于，所述样本内容数据为文字段类型的内容数据；

所述根据所述相似度确定方式，在所述至少一个网页的网页数据所包括的内容数据中，确定与所述预设的样本内容数据满足预设相似度条件的目标内容数据，包括：

对所述样本内容数据进行分词处理，得到分词后的样本内容数据，所述分词后的样本内容数据为集合类型的内容数据，并对所述至少一个网页的网页数据所包括的内容数据，分别进行分词处理，得到每个内容数据对应的分词后的内容数据，所述分词后的内容数据为集合类型的内容数据，其中，所述集合类型的内容数据由多个子数据组成，所述子数据为分词得到的词语；

在所述分词后的内容数据中，将与所述分词后的样本内容数据中相匹配的子数据的数目大于第三预设阈值的内容数据作为目标内容数据。