发明名称 |
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。 |
申请公布号 |
CN103488743A |
申请公布日期 |
2014.01.01 |
申请号 |
CN201310432086.0 |
申请日期 |
2013.09.22 |
申请人 |
北京奇虎科技有限公司;奇智软件(北京)有限公司 |
发明人 |
王志刚 |
分类号 |
G06F17/30(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
北京智汇东方知识产权代理事务所(普通合伙) 11391 |
代理人 |
康正德;薛峰 |
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。 |
地址 |
100088 北京市西城区新街口外大街28号D座112室(德胜园区) |