基于多頁面比較的網(wǎng)頁元數(shù)據(jù)自動(dòng)抽取方法和系統(tǒng)

基本信息

申請(qǐng)?zhí)?/td> CN200910054701.2 申請(qǐng)日 -
公開（公告）號(hào) CN101957816A 公開（公告）日 2011-01-26
申請(qǐng)公布號(hào) CN101957816A 申請(qǐng)公布日 2011-01-26
分類號(hào) G06F17/30(2006.01)I 分類 計(jì)算；推算；計(jì)數(shù);
發(fā)明人 甘雨;李沛剡 申請(qǐng)（專利權(quán)）人 上海華燕房盟網(wǎng)絡(luò)科技股份有限公司
代理機(jī)構(gòu) - 代理人 -
地址 200434 上海市吉浦路375弄34號(hào)103室
法律狀態(tài) -

摘要

摘要 本發(fā)明提供了一種基于多頁面比較的網(wǎng)頁元數(shù)據(jù)自動(dòng)抽取方法和系統(tǒng)，屬于互聯(lián)網(wǎng)信息處理領(lǐng)域?；ヂ?lián)網(wǎng)的頁面都是用松散的HTML來組織的，而HTML語法驗(yàn)證不嚴(yán)格，語義和表現(xiàn)格式混合在一起，給網(wǎng)頁數(shù)據(jù)抽取帶來了很大的困難。本發(fā)明則能很好的解決這個(gè)問題。本發(fā)明基于一個(gè)假設(shè)“動(dòng)態(tài)頁面是由同一個(gè)模板填入不同的數(shù)據(jù)生成的”，因而可以通過比較多個(gè)相似的頁面，進(jìn)行規(guī)約推導(dǎo)，從而得到生成這組頁面的模板。本發(fā)明包括以下部分：(1)網(wǎng)頁采集器：從預(yù)設(shè)的網(wǎng)站抓取網(wǎng)頁；(2)網(wǎng)頁分類器：將相似的頁面歸為一組；(3)網(wǎng)頁元數(shù)據(jù)分析模塊：推導(dǎo)模板、抽取元數(shù)據(jù)；(4)網(wǎng)頁元數(shù)據(jù)存儲(chǔ)：存儲(chǔ)和索引元數(shù)據(jù)；(5)元數(shù)據(jù)搜索引擎：檢索和顯示元數(shù)據(jù)。