[发明专利]一种限定区域的文本信息抽取方法及装置

说明书

本申请公开了一种限定区域的文本信息抽取方法及装置，该方法包括：获取文本和所述文本对应的抽取规则表达式，所述抽取规则表达式包括定位表达式和信息抽取表达式；将所述定位表达式与所述文本进行匹配，得到匹配结果；根据所述匹配结果，确定起始词和结束词；根据所述起始词和结束词，确定所述文本的待抽取区域；根据所述待抽取区域，得到待抽取文本信息；利用所信息抽取表达式，对所述待抽取文本信息进行匹配；抽取与所述信息抽取表达式相匹配的信息，得到目标信息。利用抽取规则表达式中的定位表达式可在文本中划分出待抽取区域，然后在所述待抽取区域中的文本信息进行信息抽取，不仅降低抽取时间，提高抽取效率，而且提高抽取信息的准确性。

技术领域

本申请涉及文本处理技术领域，尤其涉及一种限定区域的文本信息抽取方法及装置。

背景技术

随着互联网信息的爆炸式增长，各种文档的内容越发丰富多彩。由于人们所需要的信息被隐藏在各种样式的内容里而愈发难以被发现，因此，人们需要借助信息抽取手段，以在相关的文本中找到所需信息。

目前信息抽取方法主要为基于HTML结构的抽取方法，其利用HTML解析器对HTML文本信息中的字符逐个扫描，解析HTML文本信息的结构层次关系，并为相同的HTML标签从零开始依次编号，最终形成HTML文本信息对应的DOM树，再对DOM树的槽点设置抽取规则表达式，根据抽取规则表达式对HTML文本信息进行抽取，得到抽取结果。其中，抽取规则表达式包括单槽点抽取规则表达式和多槽点抽取规则表达式，单槽点抽取规则表达式是生成一个孤立的信息点的抽取规则表达式，即生成一个对HTML文本信息中的局部信息点进行抽取的规则；多槽点抽取规则表达式是生成多个相互联系的信息点进行抽取的规则，即生成一个HTML文本信息中，多个结构相似的信息块中所有相关联的信息点进行抽取的规则。

但是，现有的基于HTML结构的抽取方法待仅能对整篇HTML文本信息进行信息抽取，特别对于一般常用词，极易导致生成大量的抽取结果，不仅增加抽取时间，降低抽取效率，而且工作人员还需在抽取结果中筛选所需抽取信息，增加工作量。

发明内容

本申请提供了一种限定区域的文本信息抽取方法及装置，以解决现有的文本信息抽取方法仅能对整篇文本信息进行信息抽取，特别对于一般常用词，极易导致生成大量的抽取结果，不仅增加抽取时间，降低抽取效率，而且工作人员还需在抽取结果中筛选所需抽取信息，增加工作量的问题。

第一方面，本申请提供一种限定区域的文本信息抽取方法包括：

获取文本和所述文本对应的抽取规则表达式，所述抽取规则表达式包括定位表达式和信息抽取表达式；

将所述定位表达式与所述文本进行匹配，得到匹配结果；

根据所述匹配结果，确定起始词和结束词；

根据所述起始词和结束词，确定所述文本的待抽取区域；

根据所述待抽取区域，得到待抽取文本信息；

利用所述信息抽取表达式，对所述待抽取文本信息进行匹配；

抽取与所述信息抽取表达式相匹配的信息，得到目标信息。

第二方面，本申请还提供了一种限定区域的文本信息抽取装置包括：

获取模块，用于获取文本和所述文本对应的抽取规则表达式，所述抽取规则表达式包括定位表达式和信息抽取表达式；

第一匹配模块，用于将所述定位表达式与所述文本进行匹配，得到匹配结果；

第一确定模块，用于根据所述匹配结果，确定起始词和结束词；

第二确定模块，用于根据所述起始词和结束词，确定所述文本的待抽取区域；

待抽取文本信息生成模块，用于根据所述待抽取区域，得到待抽取文本信息；