[发明专利]一种信息抽取方法及装置

说明书

本申请实施例公开了一种信息抽取方法及装置，用于提升了配置效率。所述方法包括：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；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。

技术领域

本申请涉及计算机应用领域，尤其涉及一种信息抽取方法及装置。

背景技术

信息抽取(Information Extract)指的是把文本里包含的信息进行结构化处理，变成表格一样的组织形式。输入信息抽取系统的是原始文本(可以是网页数据或者单独的文字内容)，输出的是固定格式的信息点。信息点从各种各样的文档中被抽取出来，然后以统一的形式集成在一起。

对于结构化页面信息的抽取，配置人员可以针对每个类别的页面，为该类页面的一些属性对应的值配置可扩展标记语言路径路径语言(Extensible Markup Languagepath language，xpath)，则服务器获取到某个页面的页面信息后，就可以通过配置人员预先配置的xpath从该页面信息中抽取对应的属性值，获得需要的信息。

对于同一个页面，其属性值的对应的xpath有固定的格式，但是部分属性有多个值，并且这些属性在不同页面中对应的属性值的数量不相同，例如马某的百科页面，标签内容包括：行业人物，经济人物，人物以及互联网人物，如图1所示，该页面中标签对应的xpath如下表1所示；刘某某的百科页面，标签内容包括：音乐人物，演员，歌手，娱乐人物，制作人和人物，如图2所示，该页面中标签对应的xpath如下表2所示。

属性名称	属性值	xpath
标签	行业人物	//*[@id＝open-tag-item]/span[1]
标签	经济人物	//*[@id＝open-tag-item]/span[2]
标签	人物	//*[@id＝open-tag-item]/span[3]
标签	互联网人物	//*[@id＝open-tag-item]/span[4]

表1