[发明专利]网页发布时间抽取方法、装置、计算机装置及计算机可读存储介质

说明书

本发明适用于互联网技术领域，提供了一种网页发布时间抽取方法、装置、计算机装置及计算机可读存储介质，该方法包括：依据时间正则表达式在网页统一资源定位符URL中匹配第一时间信息；在网页HTML源码中搜索网页的第二时间信息，第二时间信息包括日期及时分秒数据；判断第一时间信息的日期与第二时间信息的日期是否相同；若第一时间信息的日期与第二时间信息的日期相同，则将第二时间信息作为网页的发布时间信息，若第一时间信息的日期与第二时间信息的日期不相同，则将第一时间信息作为网页的发布时间信息。本发明提供的网页发布时间抽取方法，提高了网页发布时间的精确度，确保抽取的网页发布时间的时效性。

技术领域

本发明属于互联网技术领域，尤其涉及一种网页发布时间抽取方法、装置、计算机装置及计算机可读存储介质。

背景技术

随着互联网技术的不断发展，发布在网页上的内容越来越多，由于信息具有时效性，人们对于网页信息的发布时间非常关注。但是由于网页信息具有海量、复杂以及非结构化等特点，使得无法精确定位网页的发布时间，导致现有技术存在网页时间抽取结果不准确的问题。

发明内容

本发明实施例提供一种网页发布时间抽取方法，旨在解决现有技术中网页时间抽取结果不准确的问题。

本发明是这样实现的，一种网页发布时间抽取方法，包括：

依据时间正则表达式在网页统一资源定位符URL中匹配第一时间信息；

在网页HTML源码中搜索网页的第二时间信息，所述第二时间信息包括日期及时分秒数据；

判断所述第一时间信息的日期与所述第二时间信息的日期是否相同；

若所述第一时间信息的日期与所述第二时间信息的日期相同，则将所述第二时间信息作为所述网页的发布时间信息；若所述第一时间信息的日期与所述第二时间信息的日期不相同，则将所述第一时间信息作为网页的发布时间信息。

可选的，所述在网页HTML源码中搜索网页的第二时间信息，包括以下过程：

在所述网页HTML源码的head/head标签对的内容中提取时间标签；

依据时间正则表达式在所述时间标签的预设字符范围内匹配时间信息，得到第一匹配结果；

根据所述第一匹配结果确定所述第二时间信息。

可选的，所述根据所述第一匹配结果确定所述第二时间信息，包括以下过程：

在所述第一匹配结果为在所述时间标签的预设字符范围内匹配到时间信息的情况下，将在所述时间标签的预设字符范围内匹配到的第一个时间信息作为所述第二时间信息。

可选的，所述根据所述第一匹配结果确定所述第二时间信息，包括以下过程：

在所述第一匹配结果为在所述时间标签的预设字符范围内未匹配到时间信息的情况下，在所述网页HTML源码的head/head标签对的内容中提取title/title标签对；

从所述title/title标签对中确定头标题，并从所述头标题中确定正文标题，在所述网页HTML源码的body/body标签对的内容中搜索所述正文标题；

依据时间正则表达式在所述搜索到的正文标题的预设字符范围内匹配时间信息，得到第二匹配结果；

根据所述第二匹配结果，确定所述第二时间信息。

可选的，所述根据所述第二匹配结果，确定所述第二时间信息，包括以下过程：

在所述第二匹配结果为在所述搜索到的正文标题的预设字符范围内匹配到的时间信息的情况下，将在所述搜索到的正文标题的预设字符范围内匹配到的第一个时间信息作为所述第二时间信息。