[发明专利]一种网页信息抽取的系统及方法

摘要

本发明涉及网页信息抽取的系统和方法，系统包括：模板生成模块，用于从网页集合中选取待自动标注网页，根据用户标注的训练网页将待自动标注网页分类，生成分类的类别的网页模板；网页同质化模块，用于依据网页模板屏蔽待自动标注网页同其所属类别的网页模板间的差异；自动标注模块，用于解析类别对应的训练网页，生成第一包装器文件，按第一包装器文件对待自动标注网页进行自动标注，以生成新的训练网页；包装器文件生成模块，用于解析所有训练网页，生成第二包装器文件；在线抽取模块，用于应用第二包装器文件对网页集合中未被选取的网页信息进行抽取。本发明能够对应不同类的网页生成多个模板，并对网页中多个记录和每个记录多个属性进行抽取。

主权项

1. 一种网页信息抽取的系统，其特征在于，包括：模板生成模块，用于从网页集合中选取待自动标注网页，根据用户标注的训练网页对所述待自动标注网页进行分类，同时生成所述训练网页对应的类别的网页模板；网页同质化模块，用于依据所述类别的网页模板屏蔽属于所述类别的待自动标注网页同所述类别的网页模板间的差异；自动标注模块，用于解析所述类别的训练网页，生成第一包装器文件，按所述第一包装器文件对所述类别的待自动标注网页进行自动标注，以生成新的训练网页；包装器文件生成模块，用于解析所有训练网页，生成第二包装器文件；在线抽取模块，用于应用所述第二包装器文件对所述网页集合中未被选取的网页信息进行抽取。