[发明专利]一种基于模板的自适应Web页面数据抽取方法及系统在审
| 申请号： | 201810436651.3 | 申请日： | 2018-05-09 |
| 公开（公告）号： | CN110471645A | 公开（公告）日： | 2019-11-19 |
| 发明（设计）人： | 李艳霞;刘鹏;刘学 | 申请（专利权）人： | 中国科学院声学研究所 |
| 主分类号： | G06F8/20 | 分类号： | G06F8/20 |
| 代理公司： | 11472 北京方安思达知识产权代理有限公司 | 代理人： | 陈琳琳;刘振<国际申请>=<国际公布>= |
| 地址： | 100190 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于模板的自适应Web页面数据抽取方法及系统，所述方法包括：步骤1)建立包含若干个模板的数据抽取模板库；步骤2)抓取Web页面的HTML源代码，构建网页DOM树；步骤3)提取Web页面URL，与数据抽取模板库中的模板依次进行匹配，如果全部匹配成功，则选择匹配度最高的模板作为最优数据抽取模板，转入步骤5)；否则，进入步骤4)；步骤4)根据匹配失败的数据重新制定新的模板，加入数据抽取模板库，转入步骤3)；步骤5)根据最优数据抽取模板进行数据抽取，如果数据抽取完全成功，数据抽取结束；否则，进入步骤6)；步骤6)对最优数据抽取模板进行自适应修改后进行数据抽取。该方法能够减少数据抽取过程中的人工干预。 | ||
| 搜索关键词： | 数据抽取 模板库 自适应 匹配 抓取 转入 数据抽取过程 网页DOM树 匹配成功 人工干预 匹配度 构建 抽取 失败 成功 制定 | ||
【主权项】：
1.一种基于模板的自适应Web页面数据抽取方法，所述方法包括：/n步骤1)建立包含若干个数据抽取模板的数据抽取模板库；/n步骤2)抓取Web页面的HTML源代码，由此构建网页DOM树；/n步骤3)提取Web页面URL，与数据抽取模板库中的模板依次进行匹配，如果全部匹配成功，则选择匹配度最高的模板作为最优数据抽取模板，转入步骤5)；否则进入步骤4)；/n步骤4)根据匹配失败的数据重新制定新的模板，加入数据抽取模板库，转入步骤3)；/n步骤5)根据最优数据抽取模板进行数据抽取，如果数据抽取完全成功，数据抽取结束；否则，进入步骤6)；/n步骤6)对最优数据抽取模板进行自适应修改后进行数据抽取，数据抽取结束。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中国科学院声学研究所，未经中国科学院声学研究所许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201810436651.3/，转载请声明来源钻瓜专利网。
