[发明专利]网页发布时间抽取方法和用于网页发布时间抽取的装置

说明书

本发明公开了一种网页发布时间抽取方法和用于网页发布时间抽取的装置，涉及云计算领域。其中的网页发布时间抽取方法包括：建立网页源码的文档对象模型DOM树；在DOM树中确定网页标题节点；根据网页发布时间节点与网页标题节点在DOM树中的相对位置关系确定网页发布时间。通过根据DOM中网页发布时间节点与网页标题节点的位置关系确定网页发布时间，能够准确定位网页发布时间，适用于自动化的网页发布时间抽取。

技术领域

本发明涉及云计算领域，尤其是一种网页发布时间抽取方法和用于网页发布时间抽取的装置。

背景技术

在互联网时代，网页是承载消息内容发布的重要载体。除了直接从网页中获取阅读资讯，对资讯进行深层次的分析也是人们关注的一个重点。

对网页中的资讯进行分析的前提是解析出网页的内容。在网页抽取问题中，特别对消息资讯类网页进行抽取时，网页发布时间是一个重要属性。目前主要依据正则表达式规则进行网页发布时间的抽取。但是一个网页往往包含多个时间，仅通过简单正则表达式匹配出来时间并不能确定具体的网页发布时间。此外，搜索引擎在抓取网页时，往往是将网页源码的HTTP(HyperText Transfer Protocol，超文本传输协议)头文件中的时间作为网页的发布时间，然而HTTP头文件中的时间为网页最后的修改时间，网页可能在发布后进行了修改，无法代表网页的发布时间。

发明内容

本发明实施例所要解决的一个技术问题是：如何准确地抽取网页的发布时间。

根据本发明实施例的第一个方面，提供了一种网页发布时间抽取方法，其特征在于，包括：建立网页源码的文档对象模型DOM树；在DOM树中确定网页标题节点；根据网页发布时间节点与网页标题节点在DOM树中的相对位置关系确定网页发布时间。

在一个实施例中，根据网页发布时间节点与网页标题节点在DOM树中的相对位置关系确定网页发布时间包括：如果在网页标题节点所属的父节点下有时间节点，将时间节点中的时间信息提取为网页发布时间。

在一个实施例中，如果在网页标题所在的标签对应的节点所属的父节点下有时间叶子节点，将时间叶子节点中的时间信息提取为网页发布时间；或者，如果在网页标题所在的标签对应的节点所属的父节点下有时间所在的标签，从时间所在的标签中提取时间信息并作为网页发布时间。

在一个实施例中，根据网页发布时间节点与网页标题节点在DOM树中的相对位置关系确定网页发布时间包括：确定网页标题节点的父节点的次左子节点，如果次左子节点的若干子树下的左子树节点是时间节点，将时间节点中的时间信息提取为网页发布时间。

在一个实施例中，根据网页发布时间节点与网页标题节点在DOM树中的相对位置关系确定网页发布时间包括：如果在网页标题节点所属的父节点下有时间节点，将时间节点中的时间信息提取为网页发布时间；如果在网页标题节点所属的父节点下没有时间节点，确定网页标题节点的父节点的次左子节点，如果次左子节点的若干子树下的左子树节点是时间节点，将时间节点中的时间信息提取为网页发布时间。

在一个实施例中，根据网页发布时间节点与网页标题节点在DOM树中的相对位置关系确定网页发布时间包括：如果在网页标题所在的标签对应的节点所属的父节点下有时间叶子节点，将时间叶子节点中的时间信息提取为网页发布时间；如果在网页标题所在的标签对应的节点所属的父节点下没有时间叶子节点，在网页标题所在的标签对应的节点所属的父节点下查找是否有时间所在的标签，如果有，从时间所在的标签中提取时间信息并作为网页发布时间；如果网页标题所在的标签对应的节点所属的父节点没有时间所在的标签，确定网页标题节点的父节点的次左子节点，如果次左子节点的若干子树下的左子树节点是时间节点，将时间节点中的时间信息提取为网页发布时间。