[发明专利]一种基于抽取模板的网页正文抽取方法及装置

摘要

本发明提供一种基于抽取模板的网页正文抽取方法及装置。所述方法包括：获取待抽取正文信息的网页的网页信息，网页的IP地址和网页内容；若判断获知抽取方式为模板抽取，则获取网页信息对应的目标抽取模板，目标抽取模板中包括至少一个段起始信息和至少一个段结尾信息；根据段起始信息和段结尾信息对网页进行分段处理，获得一个或多个网页段；依次对各网页段进行字段抽取获得每一网页段对应多个字段；利用数据库中的字典对字段进行字典映射获得所述字典中与字段对应的字典字段，将字段存入所述字典字段对应的数据表中，以实现对所述网页中正文的抽取。装置用于执行上述方法。本发明可以方便快速地获取到网页中的正文信息。

主权项

1.一种基于抽取模板的网页正文抽取方法，其特征在于，包括：获取待抽取正文信息的网页的网页信息，所述网页的IP地址和网页内容；若判断获知抽取方式为模板抽取，则获取所述网页信息对应的目标抽取模板，所述目标抽取模板中包括至少一个段起始信息和至少一个段结尾信息；根据所述段起始信息和所述段结尾信息对所述网页进行分段处理，获得一个或多个网页段；依次对各所述网页段进行字段抽取，获得每一所述网页段对应多个字段；利用数据库中的字典对所述字段进行字典映射，获得所述字典中与所述字段对应的字典字段，将所述字段存入所述字典字段对应的数据表中，以实现对所述网页中正文的抽取。