[发明专利]一种网页学术报告信息抽取方法和系统

摘要

本发明公开了一种网页学术报告信息抽取方法和系统，包括：将学术报告网页html标签和学术报告的内容开头替换为对应的固定表示标记，根据相邻两个固定表示标记对学术报告进行分割，得到初步分割结果集合；删除初步分割结果集合中匹配预设黑名单的初步分割结果，得到有效分割结果集合；获取有效分割结果集合中各有效分割结果的开头位置和结尾位置，根据所述开头位置和结尾位置合并提取各有效分割结果对应的属性内容；当属性出现重复，根据属性排列方式将不同属性对应的属性内容分配到相应的学术报告中，并将多个报告中出现且仅出现一次的属性添加到本网页其他报告中；获取学术报告的报告人信息和时间并匹配到学术报告中报告人信息和时间中。

主权项

一种网页学术报告信息抽取方法，其特征在于，包括：S1、将学术报告网页html标签和学术报告的内容开头替换为对应的固定表示标记，并根据相邻两个固定表示标记对学术报告进行分割，得到初步分割结果集合；S2、删除初步分割结果集合中匹配预设黑名单的初步分割结果，得到有效分割结果集合；S3、获取有效分割结果集合中各有效分割结果的开头位置和结尾位置，再根据各有效分割结果的开头位置和结尾位置合并提取出各有效分割结果对应的属性内容；S4、判断步骤S3中属性是否出现重复，当判断结果为是时，根据属性排列方式将不同属性对应的属性内容分配到相应的学术报告中；S5、获取学术报告的报告人信息和时间并匹配到学术报告中报告人信息和时间中。