[发明专利]一种网页信息抽取的方法和系统

摘要

本申请公开了一种网页信息抽取方法，包括：分析样本页面的DOM结构，获取抽取信息在所述DOM结构中的位置；将抽取信息在样本页面中的位置对应的节点作为目标节点，从目标节点出发，遍历预先获取的相对位置信息，判断其是否为根节点，如果否，继续递归寻找下一个节点直至找到根节点，形成候选路径，将由此获取的从目标节点到根节点的路径作为路径集合；分析待抽取页面的DOM结构，利用路径集合中的路径从根节点出发，定位待抽取页面的信息，获取待抽取页面信息对应的节点作为候选抽取节点集合；从候选抽取节点集合中选出鲁棒性最高的节点作为最终的抽取节点，利用抽取节点获取抽取信息。本申请采用多路径定位技术，鲁棒性好、准确度高。

主权项

一种网页信息抽取方法，其特征在于，所述方法包括：分析样本页面的DOM结构，获取待抽取信息在所述DOM结构中的位置；将与所述待抽取信息在所述DOM结构中的位置对应的节点作为目标节点，从所述目标节点出发，遍历预先获取的相对位置信息，获取一个节点并判断其是否为根节点，如果否，继续递归寻找下一个节点，直至找到根节点，形成候选路径，将由此获取的从目标节点到根节点的候选路径作为路径集合；分析待抽取页面的DOM结构，利用所述路径集合中的路径从根节点出发，定位所述待抽取信息在所述待抽取页面的DOM结构中的位置，获取与所述待抽取信息在所述待抽取页面的DOM结构中的位置对应的节点作为候选抽取节点集合；从所述候选抽取节点集合中，选出鲁棒性最高的节点作为最终的抽取节点，利用所述抽取节点获取抽取信息。