[发明专利]一种信息抽取方法及装置

权利要求书

1.一种信息抽取方法，其特征在于，包括：

获取目标页面的页面信息；

根据所述页面信息建立文档模型，并根据配置文件确定所述目标页面对应的目标路径信息，所述配置文件用于抽取目标文档信息，所述配置文件中包括至少一个页面对应的路径信息，所述页面中同一属性对应的不同属性值被统一配置一个包含目标字符的路径信息；

若所述目标路径信息包含目标字符，则确定所述文档模型中至少一个节点的节点路径信息，并确定所述节点路径信息中与所述目标路径信息匹配的目标节点路径信息；

通过所述目标节点路径信息抽取第一文档信息，所述第一文档信息为所述目标文档信息。

2.根据权利要求1所述的方法，其特征在于，所述确定所述节点路径信息中与所述目标路径信息匹配的目标节点路径信息包括：

确定第一节点路径信息对应的第一字符串序列，并确定目标路径信息对应的第二字符串序列，所述第一节点路径信息为所述至少一个节点的路径信息中任意一个节点的节点路径信息；

将所述第一字符串序列与所述第二字符串序列中位置对应的若干对字符串分别进行匹配；

若均匹配，则确定所述第一节点的节点路径信息为与所述目标路径信息匹配的目标节点路径信息。

3.根据权利要求2所述的方法，其特征在于，所述将所述第一字符串序列与所述第二字符串序列中位置对应的若干对字符串分别进行匹配之前包括：

判断所述第一字符串序列的序列长度与所述第二字符串序列的序列长度是否相等；

若否，则确定所述第一节点路径信息与所述目标路径信息不匹配；

若是，则执行所述将所述第一字符串序列与所述第二字符串序列中位置对应的若干对字符串分别进行匹配的步骤。

4.根据权利要求2或3所述的方法，其特征在于，所述将所述第一字符串序列与所述第二字符串序列中位置对应的若干对字符串分别进行匹配包括：

判断所述第一字符串序列的第i个字符串与所述第二字符串序列的第i个字符串是否相同；

若相同，则确定所述第一字符串序列的第i个字符串与所述第二字符串序列的第i个字符串匹配。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

若不相同，则判断所述第二字符串序列的第i个字符串是否包含所述目标字符；

若不包含，则确定所述第一字符串序列的第i个字符串与所述第二字符串序列的第i个字符串不匹配；

若包含，则判断所述第一字符串序列的第i个字符串中除了与所述目标字符对应的第一字符以外的其他字符，与所述第二字符串序列的第i个字符串中除了所述目标字符以外的其他字符是否相同；

若否，则确定所述第一字符串序列的第i个字符串与所述第二字符串序列的第i个字符串不匹配；

若是，则确定所述第一字符串序列的第i个字符串与所述第二字符串序列的第i个字符串匹配。

6.根据权利要求1至3中任一项方法，其特征在于，所述确定所述文档模型中至少一个节点的节点路径信息包括：

确定所述目标路径信息对应的表达式；

根据所述表达式以及所述节点在所述文档模型中的位置，生成所述节点路径信息。

7.一种信息抽取装置，其特征在于，包括：

获取模块，用于获取目标页面的页面信息；

建立模块，用于根据所述页面信息建立文档模型；

第一确定模块，用于根据配置文件确定所述目标页面对应的目标路径信息，所述配置文件用于抽取目标文档信息，所述配置文件中包括至少一个页面对应的路径信息，所述页面中同一属性对应的不同属性值被统一配置一个包含目标字符的路径信息；

第二确定模块，用于当所述目标路径信息包含目标字符时，确定所述文档模型中至少一个节点的节点路径信息；

第三确定模块，用于确定所述节点路径信息中与所述目标路径信息匹配的目标节点路径信息；

抽取模块，用于通过所述目标节点路径信息抽取第一文档信息，所述第一文档信息为所述目标文档信息。