[发明专利]基于上下文环境实现互联网视听节目提取的方法

权利要求书

1.一种基于上下文环境实现互联网视听节目提取的方法，其特征在于，所述的方法包括以下步骤：

（1）加载预定义的视听节目元数据库；

（2）加载需要提取视听节目网站的种子地址；

（3）下载需要提取视听节目网站的网页内容；

（4）判断下载的网页是否为一视听节目的播放页面，如果是，则继续步骤（5），否则继续步骤（6）；

（5）查找该视听节目的上文并生成视听节目单；

（6）根据加载的视听节目元数据库量化该下载的网页内容作为视听节目上文并存入上文集合中。

2.根据权利要求1所述的基于上下文环境实现互联网视听节目提取的方法，其特征在于，所述的视听节目元数据包括视听节目的导演、主演、演员、发布时间、更新时间和节目梗概。

3.根据权利要求1所述的基于上下文环境实现互联网视听节目提取的方法，其特征在于，所述的加载需要提取视听节目网站的种子地址，具体为：

从Xml文件或数据库加载需要抓取视听节目网站的种子地址。

4.根据权利要求1所述的基于上下文环境实现互联网视听节目提取的方法，其特征在于，所述的下载需要提取视听节目网站的网页内容，具体为：

使用Http客户端或爬虫将指定目标网站的指定网页的网页内容从服务器下载到本地。

5.根据权利要求1所述的基于上下文环境实现互联网视听节目提取的方法，其特征在于，所述的查找该视听节目的上文并生成视听节目单，包括以下步骤：

（51）对该视听节目对应的播放类型进行识别；

（52）从上文集合中查找该视听节目的上文；

（53）合并上文中元数据信息和该下载的网页内容数据信息生成该视听节目的完整记录。

6.根据权利要求5所述的基于上下文环境实现互联网视听节目提取的方法，其特征在于，所述的对该视听节目对应的播放类型进行识别，具体为：

识别该视听节目对应的播放类型并利用对应的播放器对该视听节目进行验证播放。

7.根据权利要求1所述的基于上下文环境实现互联网视听节目提取的方法，其特征在于，所述的根据加载的视听节目元数据库量化该下载的网页内容作为视听节目上文并存入上文集合中，包括以下步骤：

（61）判断该网页是否为一视听节目的详细信息页面，如果是，则继续步骤（62），否则继续步骤（3）；

（62）根据视听节目元数据库定义的规则对该网页进行量化并判断该网页是否是一视听节目的上文，如果是，则继续步骤（63），否则继续步骤（64）；

（63）将该网页作为一视听节目的上文并存入上文集合，然后继续步骤（64）；

（64）判断该网页是否为网站的最后一个网页，如果是，则结束退出，否则，继续步骤（65）；

（65）分析该网页的超链接并加入待下载网页队列，然后继续步骤（3）。