[发明专利]一种基于时间串的论坛页面信息自动抽取方法及系统

摘要

本发明公开了一种基于时间串的论坛页面信息自动抽取方法及系统。该方法包括创建文件对象模型树，清除文件对象模型树中的无用标签和空标签；根据所述时间串，对所述文件对象模型树进行聚类，生成多个聚类集合，遍历所述聚类集合，获取最大簇，若所述最大簇只包含一个单独节点，则所述论坛页面为单楼页面，根据所述单独节点的时间串，获取所述单楼页面的发帖时间信息；遍历所述文件对象模型树，获取包含网页地址的新节点，通过关键字列表或正则式列表，对网页地址进行关键字查找或正则式查找；若网页地址包含关键字列表中的关键字或所述正则式列表中的正则式，则获取新节点及其子节点包含的文本信息，文本信息为所述单楼页面的用户名信息。

主权项

一种基于时间串的论坛页面信息自动抽取方法，其特征在于，包括： 步骤1，对所述论坛页面进行文件对象模型解析，并创建文件对象模型树，清除所述文件对象模型树中的无用标签和空标签，其中将所述无用标签和所述空标签对应的节点，标记为非关键节点，以完成清除； 步骤2，根据所述时间串，对所述文件对象模型树进行聚类，生成多个聚类集合，遍历所述聚类集合，获取最大簇，若所述最大簇只包含一个单独节点，则所述论坛页面为单楼页面，根据所述单独节点的时间串，获取所述单楼页面的发帖时间信息； 步骤3，初始化关键字列表和正则式列表，遍历所述文件对象模型树，获取包含网页地址的新节点，通过所述关键字列表或所述正则式列表，对所述网页地址进行关键字查找或正则式查找； 步骤4，若所述网页地址包含所述关键字列表中的关键字或所述正则式列表中的正则式，则获取所述新节点及其子节点包含的文本信息，所述文本信息为所述单楼页面的用户名信息。