网页元素抽取方法和网页元素抽取系统

摘要

本发明提供了一种网页元素抽取方法和和网页元素抽取系统。该网页元素抽取方法包括：构建网页对应的DOM树结构；使用决策树对DOM树结构中各结点进行分类，根据分类结果构建网页的第一分块序列；将第一分块序列输入条件随机场进行优化计算，得到第二分块序列；在第二分块序列中选取预设类型的序列元素，并抽取序列元素对应的网页元素。利用本发明的技术方案，根据网页的DOM树结构构建网页的分块序列，过滤掉无关块的内容，抽取出需要的网页元素，抽取过程中不需要使用人工规则，解决了人工规则效率低、维护复杂的问题。

主权项

一种网页元素抽取方法，包括：构建网页对应的DOM树结构；使用决策树对所述DOM树结构中各结点进行分类，根据分类结果构建所述网页的第一分块序列；将所述第一分块序列输入条件随机场进行优化计算，得到第二分块序列;在所述第二分块序列中选取预设类型的序列元素，并抽取所述序列元素对应的网页元素。