[发明专利]一种数据抽取方法、设备及计算机可存储介质

权利要求书

1.一种数据抽取方法，其特征在于，包括：

获取超级文本标记语言HTML文本；

根据预设的内容抽取规则，在所述HTML文本中抽取预设类型的数据；

根据在所述HTML文本中抽取的预设类型的数据，生成结构化数据。

2.如权利要求1所述的方法，其特征在于，所述根据预设的内容抽取规则，在所述HTML文本中抽取预设类型的数据，包括：

在所述HTML文本中，利用可扩展标记语言路径语言XPATH定位所述预设类型的数据对应的标签位置，并在所述HTML文本的所述标签位置，抽取所述预设类型的数据；和/或，

在所述HTML文本中，获取预设范围内的文本，在所述预设范围内的文本中抽取所述预设类型的数据；和/或，

针对所述预设类型的数据，对所述HTML文本进行全文检索，以便在所述HTML文本中抽取所述预设类型的数据。

3.如权利要求2所述的方法，其特征在于，所述预设类型的数据包括：标题数据、内容数据、时间数据、来源数据和/或发布者数据。

4.如权利要求3所述的方法，其特征在于，所述在所述预设范围内的文本中抽取预设类型的数据，包括：

如果在预设范围内的文本中，抽取到多个符合预设条件的时间数据，则利用预设的时间关键词对每个所述时间数据进行评分，保留评分最高的时间数据。

5.如权利要求3或4所述的方法，其特征在于，在所述生成结构化数据之前，所述方法还包括：

在抽取到所述时间数据之后，对所述时间数据进行时区转换。

6.如权利要求3所述的方法，其特征在于，所述根据预设的内容抽取规则，在所述HTML文本中抽取预设类型的数据，包括：

在所述HTML文本中，提取元信息META元素节点列表；

在所述META元素节点列表中，查询来源描述节点，并在所述来源描述节点抽取来源数据。

7.如权利要求3所述的方法，其特征在于，所述根据预设的内容抽取规则，在所述HTML文本中抽取预设类型的数据，包括：

在所述HTML文本中，检索预设的来源关键字；

根据所述来源关键字所在的位置，抽取来源数据。

8.如权利要求3所述的方法，其特征在于，所述在所述HTML文本中，检索预设的来源关键字，包括：

在所述HTML文本的预设位置，检索所述预设的来源关键字。

9.一种数据抽取设备，其特征在于，所述数据抽取设备包括处理器、存储器；所述处理器用于执行所述存储器中存储的数据抽取程序，以实现权利要求1～8中任一项所述的数据抽取方法。

10.一种计算机可存储介质，其特征在于，所述计算机可存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1～8中任一项所述的数据抽取方法。