[发明专利]一种从网页中抽取信息的方法及装置

权利要求书

1.一种从网页中抽取信息的方法，其特征在于，包括：

查找网页中的每种信息属性，获取每种信息属性对应的信息属性候选集；

根据保存的信息属性间的位置关系与布局关系概率的对应关系，查找至少两种信息属性间的至少一个最大布局关系概率，并确定查找到的最大布局关系概率对应的位置关系；

从所述至少两种信息属性对应的信息属性候选集中，抽取满足所述位置关系的信息属性组合。

2.如权利要求1所述的方法，其特征在于，所述信息属性包括：标题、发布时间、作者、评论链接、来源、正文、主题、相关信息或图片。

3.如权利要求1所述的方法，其特征在于，所述信息属性间的位置关系包括：上下关系，左右关系或相邻关系。

4.如权利要求1所述的方法，其特征在于，所述查找网页中包含的每种信息属性，获取每种信息属性对应的信息属性候选集包括：

将所述网页转换为文档对象模型DOM树结构；

遍历所述DOM树结构的各个节点，将满足设定条件的节点对应的信息属性，放入该信息属性对应的信息属性候选集中。

5.如权利要求1所述的方法，其特征在于，所述确定查找到的最大布局关系概率对应的位置关系包括：

确定第一信息属性和第二信息属性的第一最大布局关系概率对应的第一位置关系；

确定所述第一信息属性和第三信息属性的第二最大布局关系概率对应的第二位置关系。

6.如权利要求5所述的方法，其特征在于，所述抽取满足所述位置关系的信息属性组合包括：

从所述第一信息属性对应的第一信息属性候选集，以及所述第二信息属性对应的第二信息属性候选集组成的合集中，抽取满足所述第一位置关系的信息属性组合放入当前的候选组合集中；

从所述当前的候选组合集，以及所述第三信息属性对应的第三信息属性候选集组成的合集中，抽取满足所述第二位置关系的信息属性组合，并用抽取的信息属性组合更新当前的候选组合集；

将更新后的当前的候选组合集中信息属性组合作为抽取的信息输出。

7.如权利要求5所述的方法，其特征在于，所述抽取满足所述位置关系的信息属性组合包括：

从所述第一信息属性对应的第一信息属性候选集，以及所述第二信息属性对应的第二信息属性候选集组成的合集中，抽取满足所述第一位置关系的信息属性组合放入当前的候选组合集中；

从所述第一信息属性对应的第一信息属性候选集，以及所述第三信息属性对应的第三信息属性候选集组成的合集中，抽取满足所述第二位置关系的信息属性组合放入当前的候选组合集中；

将所述当前的候选组合集中的信息属性组合进行排列组合后，作为抽取的信息输出。

8.一种从网页中抽取信息的装置，其特征在于，包括

获取单元，用于查找网页中的每种信息属性，获取每种信息属性对应的信息属性候选集：

确定单元，用于根据保存的信息属性间的位置关系与布局关系概率的对应关系，查找至少两种信息属性间的至少一个最大布局关系概率，并确定查找到的最大布局关系概率对应的位置关系；

抽取单元，用于从所述至少两种信息属性分别对应的信息属性候选集中，抽取满足所述位置关系的信息属性组合。

9.如权利要求8所述的装置，其特征在于，所述获取单元包括：

转换子单元，用于将所述网页转换为文档对象模型DOM树结构；

比较子单元，用于遍历所述DOM树结构的各个节点，将满足设定条件的节点对应的信息属性，放入该信息属性对应的信息属性候选集中。

10.如权利要求8所述的装置，其特征在于，所述确定单元包括：

第一确定子单元，用于确定第一信息属性和第二信息属性的第一最大布局关系概率对应的第一位置关系；

第二确定子单元，用于确定所述第一信息属性和第三信息属性的第二最大布局关系概率对应的第二位置关系。