公开(公告)号：CN103870506A

公开(公告)日：2014-06-18

申请号：CN201210548678.4

申请日：2012-12-17

Applicant: 中国科学院计算技术研究所

Inventor： 程学旗 ,  万圣贤 ,  余钧 ,  郭岩 ,  刘悦 ,  张瑾 ,  余智华

IPC: G06F17/30

CPC classification number: G06F17/30864 ,  G06F17/30929

Abstract: 本发明公开了一种网页信息的抽取方法和系统。包括：获得已标注网页，生成语义结构树，构建信息模式图，生成信息模式图中每个语义属性节点的语义属性节点信息，生成包装器，将包装器导出为包装器文件；构建用于抽取已标注网页的同类网页的抽取器；获得待抽取网页，抽取器在待抽取网页的DOM树中，从信息模式图的根语义属性节点开始逐层递归抽取信息模式图的每个语义属性节点对应的抽取数据区或者抽取迭代数据区；导出每个语义属性节点对应的抽取数据区或者抽取迭代数据区中的数据作为抽取结果。本发明具有较高的通用性、泛化能力、容错性、可扩展性以及较低的人工参与度，同时本发明也保证了在线抽取的效率，从而具有较高的实用性。

公开(公告)号：CN103870506B

公开(公告)日：2017-02-08

申请号：CN201210548678.4

申请日：2012-12-17

Applicant: 中国科学院计算技术研究所

Inventor： 程学旗 ,  万圣贤 ,  余钧 ,  郭岩 ,  刘悦 ,  张瑾 ,  余智华

IPC: G06F17/30

Abstract: 本发明公开了一种网页信息的抽取方法和系统。包括：获得已标注网页，生成语义结构树，构建信息模式图，生成信息模式图中每个语义属性节点的语义属性节点信息，生成包装器，将包装器导出为包装器文件；构建用于抽取已标注网页的同类网页的抽取器；获得待抽取网页，抽取器在待抽取网页的DOM树中，从信息模式图的根语义属性节点开始逐层递归抽取信息模式图的每个语义属性节点对应的抽取数据区或者抽取迭代数据区；导出每个语义属性节点对应的抽取数据区或者抽取迭代数据区中的数据作为抽取结果。本发明具有较高的通用性、泛化能力、容错性、可扩展性以及较低的人工参与度，同时本发明也保证了在线抽取的效率，从而具有较高的实用性。