[发明专利]一种基于http协议的网页信息提取方法及装置

权利要求书

1.一种基于http协议的网页信息提取方法，其特征在于，包括：

模板生成步骤：根据要提取信息的目标页面，定制相应的页面解析模板，并在页面解析模板中预定义目标字段和校验规则；

网页地址解析步骤：解析目标页面的网页地址，获取目标页面的HTML源文件；

信息提取步骤：读取并解析目标页面的HTML源文件，在目标页面的HTML源文件中提取与页面解析模板预定义的目标字段相匹配的页面信息；

信息校验步骤：根据预定义的校验规则，校验提取出的页面信息是否符合要求；

信息保存步骤：保存经信息校验后的页面信息。

2.根据权利要求1所述的网页信息提取方法，其特征在于，所述信息提取步骤中以块方式提取出匹配到的页面信息。

3.根据权利要求1所述的网页信息提取方法，其特征在于，定制的页面解析模板为XML文件，且该XML文件中包括预定义的节点信息、目标字段信息和校验规则信息。

4.根据权利要求1所述的网页信息提取方法，其特征在于，预定义的校验规则为正则表达式。

5.根据权利要求1所述的网页信息提取方法，其特征在于，采用SAX技术读取并解析目标页面的HTML源文件。

6.根据权利要求1所述的网页信息提取方法，其特征在于，在目标页面的HTML源文件中提取与页面解析模板预定义的目标字段相匹配的页面信息具体包括：采用DOM技术读取定制的页面解析模板，并遍历页面解析模板中包括的节点，在目标页面的HTML源文件中匹配目标字段，提出与目标字段相匹配的页面信息，并保存到临时表中。

7.一种基于http协议的网页信息提取装置，其特征在于，包括：

模板生成模块，用于根据要提取信息的目标页面，定制相应的页面解析模板，并在页面解析模板中预定义目标字段和校验规则；

网页地址解析模块，其用于解析目标页面的网页地址，获取目标页面的HTML源文件；

信息提取模块，其用于读取并解析目标页面的HTML源文件，在目标页面的HTML源文件中提取与页面解析模板预定义的目标字段相匹配的页面信息；

信息校验模块，其用于校验所述信息提取模块提取出的页面信息是否符合需求；

信息保存模块，其用于保存经信息校验后的页面信息。

8.根据权利要求7所述的网页信息提取装置，其特征在于，所述信息保存模块采用数据库服务器。