轻量级智能网页内容解析方法

摘要

本发明为网页内容解析提供了一种通用的轻量级智能解析方法，可以对文章类(如新闻、博客、论坛等)网页进行有效的内容解析。步骤如下：首先，下载网页HTML源码并将其转换成结构化数据模型；其次，分析结构化数据模型，收集用于定位主体内容的数据；再次，利用收集的数据，对数据模型进行进一步分析，定位主体内容(如新闻内容、博客文章、论坛主题和回复等)所在的位置；最终，分析获取的主体内容模型，去除无用信息，得到主体内容。此外，通过交互式界面，用户可对解析结果进行合并、编辑、保存、索引，相当于为用户建立了网页内容资料库，供后期的检索使用。这种方式，有效的将分析技术、存在特性、人工干预加以结合，提供更加贴近用户的功能。

主权项

一种轻量级智能网页内容解析方法，其特征在于：1)从因特网获取网页的HTML源码。2)利用HTML源码的结构化、层次化特性，构建数据对象。同时对不完整的HTML源码进行补充。3)遵循网页构建时候的基本特征和开发者的常规习惯，利用文章类(如新闻、博客、论坛等)网页的基本特征，对网页的主体内容进行定位和解析。4)获取的网页主体内容，可通过浏览器查看、编辑、保存、索引。5)可以定制任务，定时更新结果。