[发明专利]一种网页信息抽取方法及装置

摘要

本发明实施例提供了一种网页信息抽取方法及装置，包括：根据网页的DOM树确定网页的候选元素以及文本信息；根据网页的展示页面截图确定网页的候选位置信息；根据各候选位置信息、各候选元素的文本信息确定各候选元素作为目标抽取元素的第一概率和各候选位置作为目标抽取位置的第二概率；根据第一概率和第二概率从各候选元素和各候选位置中确定目标抽取元素和目标抽取位置；根据确定为目标抽取元素的候选元素和确定为目标抽取位置的候选位置对网页进行信息抽取。通过提取网页的候选元素的文本信息以及候选位置信息，使用神经网络模型和空间概率分布模型对抽取位置进行定位，提高了网页信息抽取的定位精度和容错率，实现网页信息的自动化抽取。

主权项

1.一种网页信息抽取方法，其特征在于，包括：获取网页的文档对象模型DOM树和所述网页的展示页面截图；根据所述网页的DOM树确定所述网页的候选元素以及候选元素的文本信息；根据所述网页的展示页面截图确定所述网页的候选位置信息；根据各候选位置信息、各候选元素的文本信息确定所述网页的各候选元素作为目标抽取元素的第一概率；根据各候选位置信息确定所述网页的各候选位置作为目标抽取元素对应的目标抽取位置的第二概率；根据所述第一概率和所述第二概率从各候选元素和各候选位置中确定目标抽取元素和所述目标抽取元素对应的目标抽取位置；根据确定为目标抽取元素的候选元素和确定为所述目标抽取元素对应的目标抽取位置的候选位置对所述网页进行信息抽取。