[发明专利]一种基于不完全子树匹配的Web数据记录提取方法有效
| 申请号： | 201210277173.9 | 申请日： | 2012-08-06 |
| 公开（公告）号： | CN102937958A | 公开（公告）日： | 2013-02-20 |
| 发明（设计）人： | 胡海斌;王慧昌 | 申请（专利权）人： | 厦门市美亚柏科信息股份有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30;G06F9/44 |
| 代理公司： | 北京恒都律师事务所 11395 | 代理人： | 安筱琼 |
| 地址： | 361008 福建省厦门市*** | 国省代码： | 福建;35 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于不完全子树匹配的Web数据记录提取方法，包括如下步骤：根据HTTP协议下载网页的HTML源代码，并将下载的字符以统一的UNICODE进行编码；过滤噪声标记信息；利用NEKO或者HTMLParser之类的组件对HTML源代码进行解析，构造网页的Document树；候选子树集抽取；不完全子树匹配；数据记录集确定。本发明具基于子树的匹配，不依赖于网页的模板结构所以方法具有很高的通用性；通过标签过滤和候选子树集的确定，可以有效提高数据抽取过程的性能；基于截取的不完全子树匹配方法判断子树结构之间的相似性，可以有效地消除数据对模板进行填充后导致的结构性差异，提高数据记录提取的精度的优点。 | ||
| 搜索关键词： | 一种 基于 不完全 子树 匹配 web 数据 记录 提取 方法 | ||
【主权项】：
一种基于不完全子树匹配的Web数据记录提取方法，其特征在于：包括如下步骤： a．根据HTTP协议下载网页的HTML源代码，并将下载的字符以统一的UNICODE进行编码；b．过滤噪声标记信息；c．利用NEKO或者HTMLParser之类的组件对HTML源代码进行解析，构造网页的Document树；d．候选子树集抽取；e．不完全子树匹配；f．数据记录集确定。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于厦门市美亚柏科信息股份有限公司，未经厦门市美亚柏科信息股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201210277173.9/，转载请声明来源钻瓜专利网。
