[发明专利]基于Internet论坛的网络实体城市级地标挖掘算法

权利要求书

1.一种基于Internet论坛的网络实体城市级地标挖掘方法，其特征在于：包括以下步骤：

步骤一、获取候选地标，具体如下：

(11)、选择地标挖掘的Internet论坛，获取该Internet论坛的所有HTML页面；

(12)、从步骤(11)中得到的所有HTML页面中提取出所有的IP地址段；

(13)、去除步骤(12)得到的所有的IP地址段中重复的IP地址段；

(14)、将步骤(13)得到的IP地址段通过与多个互联网公开的IP定位数据库查询比较，筛选出所有与IP定位数据库地理位置一致的IP地址段；

(15)、将步骤(14)得到的IP地址段与论坛隐含的地理位置信息比较，保留地理位置一致的IP地址段为最终的候选地标集合，最终的候选地标集合包含至少一个候选地标，候选地标包含的信息是IP地址段及其地理位置，且IP地址段与其地理位置是一一对应关系；

步骤二、对候选地标集合进行评估，具体如下：

(21)、获取最接近目标IP的路由器，用下述的改进GeoTrack算法对最终的候选地标集合中的候选地标逐个验证：若最接近目标IP的路由器隐含地理位置信息，进入步骤(22)；若最接近目标IP的路由器未隐含地理位置信息，进入步骤(23)；

(22)、推测出最接近目标IP的路由器的地理位置，并与候选地标比较，将地理位置一致的候选地标存入地标库；

(23)、首先获取最接近目标IP的路由器的IP地址，通过查询多个互联网公开的IP定位数据库得到IP地址的地理位置并与候选地标比较，将地理位置一致的候选地标存入地标库；

步骤三、得到的地标库即为网络实体城市级地标。

2.根据权利要求1所述的基于Internet论坛的网络实体城市级地标挖掘方法，其特征在于：所述的步骤(11)中选择地标挖掘的Internet论坛是选择区域性、含有城市关键字以及人口流动较小的论坛。

3.根据权利要求1所述的基于Internet论坛的网络实体城市级地标挖掘方法，其特征在于：所述的步骤(11)中获取该Internet论坛的所有HTML页面是通过网页爬虫方法获得。

4.根据权利要求1-3任一所述的基于Internet论坛的网络实体城市级地标挖掘方法，其特征在于：所述的步骤(12)中提取出所有的IP地址段是通过正则表达式进行提取，正则表达式如式(1)：

((？:(？:25[0-5]|2[0-4]/d|((1/d{2})|([1-9]？/d)))/.){3}/*) (1)

式(1)中：25[0-5]可匹配的范围是250～255，/d等价于[0-9]，则2[0-4]/d可匹配的范围是200～249，{2}表示重复2次，则1/d{2}可匹配的范围是100～199，？表示前一个字符出现0次或1次，则[1-9]？/d可匹配的范围是0～99，/表示匹配原义字符，则/.表示匹配IP分隔字符·，/*表示匹配的IP地址第四字段为*号；|表示关系“或”，(？:)表示非获取匹配。