[发明专利]一种将web网站中非格式化数据转为格式化数据的技术

权利要求书

1.一种将web网站中非格式化数据转为格式化数据的技术，其特征在于：该方法至少包括如下的步骤：

步骤1：建立网页内容聚合服务，抓取指定的网页。

步骤2：建立网页智能解析服务和网页语义模式库。

步骤3：将异构的网页数据提纯变为标准的格式化数据。

2.根据权利要求1所述的一种将web网站中非格式化数据转为格式化数据的技术，其特征在于：建立网页内容聚合服务，抓取指定的网页，其步骤为：

步骤11：建立网页内容聚合程序，能够下载指定网页的内容。

步骤12：对目标互联网网页上的各类异构信息进行全面抓取。

3.根据权利要求1所述的一种将web网站中非格式化数据转为格式化数据的技术，其特征在于：建立网页智能解析服务和网页语义模式库，其步骤为：

步骤21：建立网页语义模式库，保存指定网页的语义模式。

步骤22：将抓取后的信息按语义模式进行分类，入库。

4.根据权利要求1所述的一种将web网站中非格式化数据转为格式化数据的技术，其特征在于：将异构的网页数据提纯变为标准的格式化数据，其步骤为：

步骤31：建立网页智能解析服务，对内容聚合得到的网页进行WEB提纯处理。

步骤32：对于索引页面，提纯后得到的数据是网页条目信息的列表。需要继续聚合每个网页条目的正文。对于正文页面，提纯后得到是网页的标题、时间、正文和相关图片。

步骤33：提纯后的格式化数据保存到内容库中。