发明名称 | 一种基于主题的Web页面清洗方法 | ||
摘要 | 本发明属于计算机科学与技术领域,涉及一种基于主题的Web页面清洗方法,包括:确定主题领域;采集样本页面,并对样本页面的网页结构进行分析,确定页面元素树形结构;确定抽取内容标签边界;根据标签边界定义正则表达式匹配规则,利用多个抽取规则组成抽取规则模板;对待清洗页面进行清洗预处理,剔除容易分辨的“噪音”内容;利用已生成的抽取规则模板进行页面清洗,得到清洗后的页面。本发明直接在页面中抽取有用信息,大大降低了页面清洗的复杂度和困难度。针对Web页面标签的复杂多样性和局部固定性,采用正则表达式直接匹配和抽取需要的标签,保留有用信息并自动剔除掉无用信息,可有效地实现页面清洗的目的。 | ||
申请公布号 | CN103440315A | 申请公布日期 | 2013.12.11 |
申请号 | CN201310378986.1 | 申请日期 | 2013.08.27 |
申请人 | 北京工业大学 | 发明人 | 沈琦;宋清明;张猛;汤艳 |
分类号 | G06F17/30(2006.01)I | 主分类号 | G06F17/30(2006.01)I |
代理机构 | 北京思海天达知识产权代理有限公司 11203 | 代理人 | 张慧 |
主权项 | 一种基于主题的Web页面清洗方法,其特征在于,直接在页面中抽取有用信息,针对Web页面标签的复杂多样性和局部固定性,采用正则表达式直接匹配和抽取需要的标签,保留有用信息并自动剔除掉无用信息;包括以下步骤:步骤一,确定主题领域:人工采集和选取多个样本页面进行分析,提取出关键词,由关键词确定页面内容的主题范围,最终确定主题领域;步骤二,采集样本页面,并对样本页面的网页结构进行分析,确定页面元素树形结构;步骤三,确定包含即将抽取的主题内容的抽取内容标签边界<ul>;步骤四,根据标签边界定义正则表达式匹配规则,利用多个抽取规则组成抽取规则模板;步骤五,对待清洗页面进行清洗预处理,剔除容易分辨的“噪音”内容;步骤六,利用已生成的抽取规则模板进行页面清洗,得到清洗后的页面。 | ||
地址 | 100124 北京市朝阳区平乐园100号 |