[发明专利]一种用于复杂页面的包装器自动生成方法

权利要求书

1.一种用于复杂页面的包装器自动生成方法，其特征在于：包括下列步骤：

(1)获取基于同一模板生成的两个HTML页面文档，利用XML解析器分别解析成具有树形结构的文档对象模型，即HTML标记树；

(2)比较步骤(1)获得的两个HTML标记树，去除噪声区，获得包含数据记录集合的最小区域DS；

(3)从所述最小区域中获取初始数据记录，其方法是，从HTML标记树中得到DS区的最长公共子串，通过发现DS区中的重复区域来识别出初始的数据记录DR，所述数据记录用一个二元组(D，G)表示，D代表记录属性的集合，G代表属性在Html页面的布局组合关系；

所述从HTML标记树中得到DS区的最长公共子串的方法是：

①输入基于同一模块的两个页面的Url；

②分别对两个页面的HTML标记树进行深度递归，如果发现其子树中具有分页导航节点，则标记其父节点为步骤③的起始节点，否则以HTML标记树的根节点为起始节点；

③以步骤②中标注的起始节点开始，对HTML标记树进行深度递归比较，来判断其子树是否一致，如果路径一致，则把该子路径标记为一致，返回到父节点，继续选取下一条子路径比较，如果父节点的所有子路径都一致，则所代表的路径为噪音分枝；

④将得到的不同子树的正向最长公共子串输出；

(4)根据初始的数据记录DR的布局组合关系，依据特征项的相似度，确定抽取项的聚集关系，并结合领域本体的知识，对同一聚集块中实体进行语义标注，根据实体间语义关系重新组合成新的数据记录DR2；

(5)根据步骤(4)中生成的数据记录DR2在HTML标记树中的位置关系，生成每个聚集块的抽取规则，然后构建包装器；

所述步骤(4)中的特征项包括样式特征、特征词。