[发明专利]网页信息提取方法及设备

权利要求书

1.一种网页信息提取方法，其特征在于，包括：

获取待提取的网页；

根据所述网页的链接信息，确定与所述网页的链接信息对应的预先设置的网页结构，所述网页结构包括至少两个节点和所述每个节点之间的逻辑关系，所述每个节点对应一个链接信息；

利用所述网页结构，对所述网页进行解析，以获得满足所述网页结构的链接信息；

根据所述链接信息，获取所述链接信息对应的内容信息。

2.根据权利要求1所述的方法，其特征在于，所述根据所述网页的链接信息，确定与所述网页的链接信息对应的预先设置的网页结构之前，还包括：

根据至少一个网站的页面特征，设置与每个所述网站对应的所述网页结构。

3.根据权利要求1或2所述的方法，其特征在于，所述利用所述网页结构，对所述网页进行解析，包括：

根据脚本信息，确定所述网页中的待提取区域和/或待提取内容，所述脚本信息包括定位指令、提取指令、循环控制指令、区域控制指令和链接扩散指令中的至少一个指令；

根据所述待提取区域和/或所述待提取内容，以及利用所述网页结构，对所述网页进行解析。

4.根据权利要求3所述的方法，其特征在于，所述根据脚本信息，确定所述网页中的待提取区域和/或待提取内容之前，还包括：

根据提取需求，预先设置所述脚本信息。

5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：

根据提取需求的变化，修改所述脚本信息。

6.一种网页信息提取设备，其特征在于，包括：

获取单元，用于获取待提取的网页；

确定单元，用于根据所述网页的链接信息，确定与所述网页的链接信息对应的预先设置的网页结构，所述网页结构包括至少两个节点和所述每个节点之间的逻辑关系，所述每个节点对应一个链接信息；

解析单元，用于利用所述网页结构，对所述网页进行解析，以获得满足所述网页结构的链接信息；

所述获取单元，还用于根据所述链接信息，获取所述链接信息对应的内容信息。

7.根据权利要求6所述的设备，其特征在于，所述设备还包括设置单元，用于

根据至少一个网站的页面特征，设置与每个所述网站对应的所述网页结构。

8.根据权利要求6或7所述的设备，其特征在于，所述解析单元，具体用于

根据脚本信息，确定所述网页中的待提取区域和/或待提取内容，所述脚本信息包括定位指令、提取指令、循环控制指令、区域控制指令和链接扩散指令中的至少一个指令；以及根据所述待提取区域和/或所述待提取内容，以及利用所述网页结构，对所述网页进行解析。

9.根据权利要求7所述的设备，其特征在于，所述设置单元，还用于

根据提取需求，预先设置所述脚本信息。

10.根据权利要求9所述的设备，其特征在于，所述设置单元，还用于

根据提取需求的变化，修改所述脚本信息。