[发明专利]一种提取html页面选定区域内容的方法

摘要

一种提取html页面中选定区域内容的方法。该方法的特征在于，在步骤1中，将html源码转换为元素列表；在步骤2中，针对html源码制定一个分析模板，将该模板转换为元素列表；步骤3中，用步骤2生成的模板元素列表在步骤1生成的页面元素列表中进行最大相似度定位，找出页面元素列表中所有能够匹配模板元素列表的段落；在步骤4中，用步骤3所找出的元素段落与模板中的元素匹配，从而确认模板中的所有变量、可变模板所对应到的页面元素，在步骤5中，如果可变模板中定义了需要提取的信息，则定义可变模板子模板，将其与所对应的页面元素列表匹配，通过子模板中定义的变量来获取并不规则的页面元素列表中的信息。

主权项

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。