专利名称：网页信息抽取方法专利类型：发明专利
发明人：脱立恒,董微,刘学,陆世亮申请号：CN201410818097.7申请日：20141224公开号：CN104462540A公开日：20150325
摘要：本发明涉及一种网页信息抽取方法，该方法包括：对网页Web的页面数据建立DOM树，从DOM树中递归选取包含所有待抽取信息的节点子树，选取节点子树中所有待抽取信息的属性节点的路径、值节点的路径和最小的子树，将最小的子树的根节点作为超文本标记语言HTML标签相对特征坐标系的原点；将从DOM树中训练得到待抽取信息的属性和值在HTML标签相对特征坐标系中的路径，生成属性坐标和值坐标，根据相对特征坐标系的原点、属性坐标和值坐标定位待抽取信息；将属性坐标和值坐标作为待抽取信息的抽取规则，所有待抽取信息的抽取规则组成Web的抽取规则集合并生成包装器；通过包装器的抽取规则的属性坐标和值坐标，定位待抽取信息的属性和值，并抽取Web信息。
申请人：中国科学院声学研究所,上海尚恩华科网络科技股份有限公司
地址：100190 北京市海淀区北四环西路21号
国籍：CN
代理机构：北京亿腾知识产权代理事务所
代理人：陈霁
更多信息请下载全文后查看
因篇幅问题不能全部显示，请点此查看更多更全内容