[发明专利]一种互联网信息分析方法和装置

权利要求书

1.一种互联网信息分析方法，其中，该方法包括如下步骤：

预先设置标记数据列表、规则数据列表和关联属性列表；所述标记数据列表包括多个字段标记；所述规则数据列表包括匹配规则以及与每个匹配规则对应的属性；所述关联属性列表包括多个关联列表，每个关联列表对应于一个字段标记并包括与该字段标记对应的属性；

抓取海量的互联网文件，从所述海量的互联网文件中提取出多段正文，将每段正文切分为至少一个片段；

分析所述片段以获取互联网信息，具体包括对每一个片段执行以下操作：判断标记数据列表中是否存在与该片段匹配的字段标记，若是则进一步判断规则数据列表中是否存在与该片段匹配的匹配规则，若是则使用与该片段匹配的字段标记和匹配规则并利用所述关联属性列表筛选对应的属性与字段标记作为获取的互联网信息。

2.根据权利要求1所述的方法，其中，

所述使用与该片段匹配的字段标记和匹配规则并利用所述关联属性列表筛选对应的属性与字段标记，具体包括：

选择与该片段匹配的字段标记所对应的关联列表；以及

对每一个与该片段匹配的匹配规则执行以下操作：判断与该匹配规则所对应的属性是否位于上述所选择的关联列表中，若是则将该属性以及与该属性所在的关联列表相对应的字段标记保存为对应的属性与字段标记。

3.根据权利要求1所述的方法，其中，

所述规则数据列表，还包括与每个匹配规则对应的评价参数；

所述使用与该片段匹配的字段标记和匹配规则并利用所述关联属性列表筛选对应的属性与字段标记，具体包括：

选择与该片段匹配的字段标记所对应的关联列表；以及

对每一个与该片段匹配的匹配规则执行以下操作：判断与该匹配规则所对应的属性是否位于上述所选择的关联列表中，若是则将该属性以及与该属性所在的关联列表相对应的字段标记保存为对应的属性与字段标记，同时保存与该匹配规则对应的评价参数。

4.根据权利要求1所述的方法，其中，

所述抓取海量的互联网文件，具体包括：使用网络爬虫采集海量的HTML源文件；

所述从所述海量的互联网文件中提取出多段正文，具体包括：对所述HTML源文件使用正则表达式进行净化和提取正文的操作，从而选取正文；

所述将每段正文切分为至少一个片段，具体包括：使用正则表达式将选取的正文按照标点符号进行断句，得到的每一个句子为一个片段。

5.根据权利要求1所述的方法，其中，

所述判断标记数据列表中是否存在与该片段匹配的字段标记具体包括：使用字段匹配方法，判断标记数据列表中的字段标记是否等于该片段中的一个字段。

6.根据权利要求1所述的方法，其中，

所述匹配规则为预先设定的匹配算法，包括多个关键词以及不同关键词之间的位置关系；

所述判断规则数据列表中是否存在与该片段匹配的匹配规则，包括对每一个匹配算法执行以下操作：

判断该片段是否包括该匹配算法中的所述多个关键词，若否则该片段不与该匹配规则匹配，若是则进一步判断所述关键词在该片段中的位置是否符合匹配算法中的位置关系，若否则该片段不与该匹配规则匹配，若是则该片段与该匹配规则匹配。