[发明专利]一种互联网大数据分析提取方法及系统

权利要求书

1.一种互联网大数据分析提取方法，其特征在于，包括：

获取目标对象的网页源码文本集；

从所述网页源码文本集中的每份网页源码文本中提取出所述目标对象的网页特征信息，并分析出网页特征信息的权重，得到第一特征信息集；

从所述第一特征信息集中筛选出权重值高于第一预设权重的网页特征信息，得到正查数据；

其中，所述方法还包括：

得到所述正查数据后，利用网页特征信息在互联网上获取第一摘要信息集；

从所述第一摘要信息集中筛选出完全包含网页特征信息和所述目标对象名称的摘要信息，得到第二摘要信息集；

从所述第二摘要信息集中的每份摘要信息中提取出摘要特征信息，并分析出摘要特征信息的权重，得到第二特征信息集；

从所述第二特征信息集中筛选出权重值高于第二预设权重的摘要特征信息，得到反查数据。

2.根据权利要求1所述的互联网大数据分析提取方法，其特征在于，所述从所述网页源码文本集中的每份网页源码文本中提取出所述目标对象的网页特征信息的过程包括：

利用JSOUP分别对所述网页源码文本集中的每份网页源码文本进行解析，得到相对应的纯内容数据集，从所述纯内容数据集中的每份纯内容数据中提取出所述目标对象的网页特征信息。

3.根据权利要求2所述的互联网大数据分析提取方法，其特征在于，所述从所述网页源码文本集中的每份网页源码文本中提取出所述目标对象的网页特征信息，并分析出网页特征信息的权重的过程包括：

从所述纯内容数据集中的每份纯内容数据中，利用正则匹配和固话区号匹配限制，提取电话和邮箱信息，并分别得到电话和邮箱信息各自的权重；

从所述纯内容数据集中的每份纯内容数据中，利用基于自然语言处理技术的算法和地域匹配权重，提取地址信息，并得到地址信息的权重；

从所述纯内容数据集中的每份纯内容数据中，利用关键字定位和停用词，提取所述目标对象的简要描述信息，并得到简要描述信息的权重；

从所述纯内容数据集中的每份纯内容数据中，利用关键字定位、正则匹配和基于自然语言处理技术的算法提取联系人名称、传真和职位信息，并分别得到联系人名称、传真和职位信息各自的权重。

4.根据权利要求2所述的互联网大数据分析提取方法，其特征在于，所述从所述网页源码文本集中的每份网页源码文本中提取出所述目标对象的网页特征信息，并分析出网页特征信息的权重的过程包括：

从所述纯内容数据集中的每份纯内容数据中，利用正则匹配和固话区号匹配限制，提取电话和邮箱信息，并分别得到电话和邮箱信息各自的初始权重；

从所述纯内容数据集中的每份纯内容数据中，利用基于自然语言处理技术的算法和地域匹配权重，提取地址信息，并得到地址信息的初始权重；

从所述纯内容数据集中的每份纯内容数据中，利用关键字定位和停用词，提取所述目标对象的简要描述信息，并得到简要描述信息的初始权重；

从所述纯内容数据集中的每份纯内容数据中，利用关键字定位、正则匹配和基于自然语言处理技术的算法提取联系人名称、传真和职位信息，并分别得到联系人名称、传真和职位信息各自的初始权重；

计算与网页源码文本相对应的页面权重，将页面权重与相对应的初始权重相加，得到网页特征信息的权重。

5.根据权利要求4所述的互联网大数据分析提取方法，其特征在于，计算页面权重的过程包括：

利用关键字和PageRank算法、Hilltop算法、HITS算法或TrustRank算法，分析网页源码文本的页面可信度，得到页面权重。

6.根据权利要求3或4所述的互联网大数据分析提取方法，其特征在于，还包括：

在从所述网页源码文本集中的每份网页源码文本中提取出所述目标对象的网页特征信息前，接收算法改变请求，以改变算法。

7.根据权利要求1所述的互联网大数据分析提取方法，其特征在于，还包括：

得到所述正查数据和所述反查数据后，利用所述正查数据和所述反查数据进行撞库匹配，筛选出撞库数据。

8.一种互联网大数据分析提取系统，其特征在于，包括：

网页文本获取模块，用于获取目标对象的网页源码文本集；

网页特征信息提取模块，用于从所述网页源码文本集中的每份网页源码文本中提取出所述目标对象的网页特征信息，得到第一特征信息集；

网页特征信息权重分析模块，用于分析出网页特征信息的权重；

第一权重筛选模块，用于从所述第一特征信息集中筛选出权重值高于第一预设权重的网页特征信息，得到正查数据；

其中，所述系统还包括：

摘要信息获取模块，用于得到所述正查数据后，利用网页特征信息在互联网上获取第一摘要信息集；

摘要信息筛选模块，用于从所述第一摘要信息集中筛选出完全包含网页特征信息和所述目标对象名称的摘要信息，得到第二摘要信息集；

摘要特征信息提取模块，用于从所述第二摘要信息集中的每份摘要信息中提取出摘要特征信息，并分析出摘要特征信息的权重，得到第二特征信息集；

第二权重筛选模块，用于从所述第二特征信息集中筛选出权重值高于第二预设权重的摘要特征信息，得到反查数据。