公开(公告)号：CN104217025B

公开(公告)日：2018-04-13

申请号：CN201410503955.9

申请日：2014-09-28

Applicant: 福州大学

Inventor： 陈国龙 ,  廖祥文 ,  陈巧灵

IPC: G06F17/30

Abstract: 本发明涉及一种针对多记录网页的记录项抽取系统及方法，该系统包括：记录树对齐模块，接收已抽取好的记录区域子树，并利用标签信息及语义信息进行树对齐，得到一棵超树，从而让相同语义的节点对应于超树的同一个节点；记录内容抽取模块，使用文本密度及文本密度和度量指标确定记录中记录内容位置；记录项输出模块，将记录区域里所有记录项及其语义标注按照树节点先序遍历输出；反馈框架，在抽取记录项后利用抽取结果检查记录区域定位是否正确，不正确则重新定位记录区域，进而修改记录项抽取结果，正确则直接结束抽取流程。该系统及方法能够高效、准确地对多记录网页中记录区域进行记录项抽取，抽取速度快、准确度高，通用性强，适用范围广。

公开(公告)号：CN103761312A

公开(公告)日：2014-04-30

申请号：CN201410034376.4

申请日：2014-01-24

Applicant: 福州大学

Inventor： 陈国龙 ,  廖祥文 ,  陈巧灵 ,  杨定达 ,  魏晶晶

IPC: G06F17/30

CPC classification number: G06F17/30864 ,  G06F17/30908

Abstract: 本发明涉及一种多记录网页的信息抽取系统及方法，该系统包括：一个网页预处理模块，用于将HTML网页转换为XHTML网页，并过滤网页中用来渲染显示效果的标签，然后根据标签的嵌套结构，构建文档次序树；一个记录区域定位模块，用于接收文档次序树，并利用横向层次分析法在文档次序树中定位出记录区域的位置；一个记录分隔符识别模块，用于从记录区域中找到记录之间的分隔符并进行存储；以及一个记录输出模块，用于将记录区域里所有文本节点按层次顺序遍历输出，在碰到分隔符时输出分隔线，得到最终的抽取结果。该系统及方法能够高效、准确地对传统和新式多记录网页进行信息抽取，抽取速度快、准确度高，通用性强，适用范围广。

公开(公告)号：CN103761312B

公开(公告)日：2017-02-08

申请号：CN201410034376.4

申请日：2014-01-24

Applicant: 福州大学

Inventor： 陈国龙 ,  廖祥文 ,  陈巧灵 ,  杨定达 ,  魏晶晶

IPC: G06F17/30

Abstract: 本发明涉及一种多记录网页的信息抽取系统及方法，该系统包括：一个网页预处理模块，用于将HTML网页转换为XHTML网页，并过滤网页中用来渲染显示效果的标签，然后根据标签的嵌套结构，构建文档次序树；一个记录区域定位模块，用于接收文档次序树，并利用横向层次分析法在文档次序树中定位出记录区域的位置；一个记录分隔符识别模块，用于从记录区域中找到记录之间的分隔符并进行存储；以及一个记录输出模块，用于将记录区域里所有文本节点按层次顺序遍历输出，在碰到分隔符时输出分隔线，得到最终的抽取结果。该系统及方法能够高效、准确地对传统和新式多记录网页进行信息抽取，抽取速度快、准确度高，通用性强，适用范围广。

公开(公告)号：CN104217025A

公开(公告)日：2014-12-17

申请号：CN201410503955.9

申请日：2014-09-28

Applicant: 福州大学

Inventor： 陈国龙 ,  廖祥文 ,  陈巧灵

IPC: G06F17/30

CPC classification number: G06F17/30864 ,  G06F17/2785

Abstract: 本发明涉及一种针对多记录网页的记录项抽取系统及方法，该系统包括：记录树对齐模块，接收已抽取好的记录区域子树，并利用标签信息及语义信息进行树对齐，得到一棵超树，从而让相同语义的节点对应于超树的同一个节点；记录内容抽取模块，使用文本密度及文本密度和度量指标确定记录中记录内容位置；记录项输出模块，将记录区域里所有记录项及其语义标注按照树节点先序遍历输出；反馈框架，在抽取记录项后利用抽取结果检查记录区域定位是否正确，不正确则重新定位记录区域，进而修改记录项抽取结果，正确则直接结束抽取流程。该系统及方法能够高效、准确地对多记录网页中记录区域进行记录项抽取，抽取速度快、准确度高，通用性强，适用范围广。