[发明专利]一种提取html页面选定区域内容的方法

权利要求书

1.一种提取html页面中选定区域内容的方法，该程序包括多个方法，即许多个程序段。该方法的特征在于，在步骤1中，将html页面源码转换为页面html元素列表；在步骤2中，分析html页面代码中要提取的部分，制定一个页面分析模板，并将该模板转换为模板html元素列表；步骤3中，用步骤2生成的分析模板html元素列表在步骤1生成的页面html元素列表中进行最大相似度定位，找到页面的html元素列表中所有能够匹配分析模板html元素列表的段落所在位置；在步骤4中，用步骤3所定位出的html元素段落与分析模板中的元素匹配，从而确认分析模板中的所有变量、可变模板所对应到的页面html元素，在步骤5中，如果步骤4所提取出的可变模板所对应的不规则页面html元素中有需要提取出的信息，则再给可变模板定义子模板，将其与所对应的页面html元素列表匹配，进而通过子模板中定义的变量来获取格式并不规则的页面html元素列表中的可用信息。 

2.根据权利要求1所述的方法，其特征在于，将html页面源码作为字符串读入，并将该字符串解析为页面html元素列表。 

3.根据权利要求1或2所述的方法，其特征在于，分析html页面中选定区域的html元素，制定页面分析模板，模板分三种元素，一，常量，即该区域html代码中必然出现且内容不变的部分，通常为静态html代码；二，变量，即该区域html代码中必然出现且可变的部分，通常为动态html代码；三，可变模板，即该区域可能出现也可能不出现的html代码，通常也为动态html代码。在模板定义完成之后，将该模板字符串转换为模板html元素列表。 

4.根据权利要求1、2或3所述的方法，其特征在于，通过使用自定义的最大相似度算法，将模板html元素列表在页面html元素列表上进行定位，找出页面html元素列表上所有能够匹配模板html元素列表的段落。 

5.根据权利要求1、2、3或4所述的方法，其特征在于，用模板html元素列表与定位的页面html元素列表段落进行匹配，找出对应模板中变量、可变模板的页面元素内容。即为所欲提取出的页面信息。 

6.根据权利要求1、2、3、4或5所述的方法，其特征在于，如果可变模板所对应的html元素中还有进一步需要提取的信息，则需再给可变模板定义子模板，将其与所对应的html元素列表匹配，进而通过子模板中定义的变量来获取格式并不规则的页面html元素列表中的可用信息。