一种页面资源结构化的方法和装置

摘要

本发明提供了一种页面资源结构化的方法和装置，其包括创建网页内容抓取模块，获取网页对应的html文件；定义Schema文件用以规范结构化后生成的XML结果文档；建立标签映射文件，根据html标签，文字属性，段落属性建立与Schema所定义标签的映射。根据映射关系进行内容识别并生成对应的结构化文档，从而完成页面资源的结构化。传统的网页数据采集一般只涉及到网页元数据的采集，相对于传统的处理方法，该方法及装置能够快速、智能、准确地完成网页元数据及有效内容的采集，且将所采集的内容片段化，结构化，所涉及的内容相比传统方法更加全面，范围更广。

主权项

一种页面资源结构化的方法，其特征在于，包括如下步骤：a.抓取网页内容，获取网页对应的html文件；b.定义Schema文件用以规范结构化后生成的XML结果文档；c.建立标签映射文件，根据html标签、文字属性、段落属性建立与Schema所定义标签的映射；d.根据映射关系进行内容识别并生成对应的结构化文档，页面资源结构化程序结束。