[发明专利]一种含格式的html富文本数据的跨标签处理方法及系统

权利要求书

1.一种含格式的html富文本数据的跨标签处理方法，其特征在于包括以下步骤：

步骤一、采用parse机制，将html富文本数据作为parse分析器的输入，转换为类似DOM的树结构对象，html富文本数据中的纯文本数据将填写到树结构对象节点中，形成了多个节点纯字符串片段；

步骤二、在树结构对象中，根据各个节点中包含的纯字符串片段，按顺序拼接这些文本数据，与parse分析器的输入（即html富文本）对应，形成不包含格式标签的纯文本字符串数据。

步骤三、对该纯文本字符串数据进行校验、具体业务处理，生成修正后的纯文本字符串数据；

步骤四、将修正后的纯文本字符串数据与树结构对象中各个节点的纯字符串片段进行相似度匹配计算，逐个计算出纯文本字符串数据中单词与节点中纯字符片段内容之间的距离；

步骤五、将所有的节点纯字符串片段与修正后的字符串数据匹配完成后，形成了新的树结构对象，再对新的树结构对象进行转换处理，通过parse逆向形成完整的html富文本数据。

2.根据权利要求1所述的跨标签处理方法，其特征在于：步骤一中，所述DOM是以面向对象方式描述的文档模型，定义了表示和修改文档所需的对象、对象的行为和属性，以及这些对象之间的关系，DOM是页面上数据和结构的一个树形表示，DOM模型是在客户端的浏览器上使用；

所述parse机制，是将一组字符串作为输入，进行解析转换成特定对象结构的机制；所述特定对象结构指计算机程序领域的一组数据结构对象，即类似DOM的树结构对象。

所述树结构对象采用与DOM的相似的树形结构，与DOM不同的是，它可以在服务器上使用。

3.根据权利要求1所述的跨标签处理方法，其特征在于：步骤三中，所述处理包括敏感词替换、单词书写纠错、专有名词识别格式化、大小写格式化一系列字符串处理，生成修正后的纯文本字符串数据。

4.根据权利要求1所述的跨标签处理方法，其特征在于：步骤四中，根据局部最优的原则，选出距离局部最小的纯文本字符串，将其替换填入相应的节点纯字符串片段内。其中，相似度匹配算法默认采取了一种字符最短路径算法的改进算法，在最短路径的基础上，通过距离计算和最佳整体距离匹配来计算最佳匹配。

5.一种含格式的html富文本数据的跨标签处理系统，其特征在于：它由Parse分析器、节点分析器、纯文本处理器、相似度匹配处理器、文本转换器组成。Parse分析器、节点分析器、纯文本处理器、相似度匹配处理器、文本转换器顺次连接；

所述Parse分析器，用于对接收到的html富文本数据进行分析，并转换成类似DOM的树结构对象，html富文本数据中的纯文本数据将填写到树结构对象节点中，形成了多个节点纯字符串片段，并且树结构对象可以正在服务器上使用；

所述节点分析器，用于根据树结构对象中的各个节点中包含的纯字符串片段，按顺序拼接这些纯字符串，形成与parse分析器的输入（即html富文本）对应的不包含格式标签的纯文本字符串数据；

所述纯文本处理器，用于处理节点分析器形成的纯文本字符串数据，对他们进行校验以及具体业务处理，包括敏感词替换、单词书写纠错、专有名词识别格式化、大小写格式化一系列字符串处理操作；

所述相似度匹配处理器，用于接收纯文本处理器处理后形成的修正后的纯文本字符串数据，将修正后的字符串数据与树结构对象中各个节点的纯字符片段进行相似度匹配，根据局部最优原则，选出距离局部最小的纯文本字符串，替换填入相应的节点纯字符片段内，并输出新的树结构对象；

所述文本转换器，用于对新的树结构对象进行转换处理，通过parse逆向形成完整的html富文本数据。