[发明专利]一种网页信息抽取方法及装置

摘要

一种网页信息抽取方法及装置，方法包括：根据待抽取网页的页面信息确定待抽取网页的身份标签；在样本数据库中查找待抽取网页的身份标签对应的样本集合，样本集合包括至少一个文档对象模型DOM样本；从至少一个DOM样本中选取一个作为当前DOM样本，并利用当前DOM样本与待抽取网页解析出的DOM结构相匹配：如果匹配成功，则根据待抽取信息在当前DOM样本中的位置定位待抽取信息在DOM结构的节点，并利用节点获取待抽取信息；如果匹配失败，则继续执行选取当前DOM样本的步骤，直至每个DOM样本均匹配失败后返回抽取失败的消息。本发明就可最大程度的减小网页结构变化对信息抽取过程的影响，实现网页信息的可靠与准确抽取。

主权项

一种网页信息抽取方法，其特征在于，所述方法包括：根据待抽取网页的页面信息确定所述待抽取网页的身份标签；在样本数据库中查找所述待抽取网页的身份标签对应的样本集合，所述样本集合包括至少一个文档对象模型DOM样本；从所述至少一个DOM样本中选取一个作为当前DOM样本，并利用所述当前DOM样本与所述待抽取网页解析出的DOM结构相匹配：如果匹配成功，则根据待抽取信息在所述当前DOM样本中的位置定位所述待抽取信息在所述DOM结构的节点，并利用所述节点获取所述待抽取信息；如果匹配失败，则继续执行所述选取当前DOM样本的步骤，直至每个DOM样本均匹配失败后返回抽取失败的消息。