[發(fā)明專利]一種數(shù)據(jù)庫建立方法和裝置

無效

• 申請(qǐng)?zhí)枺?/td>: 200910084130.7
• 申請(qǐng)日: 2009-05-20
• 公開（公告）號(hào): CN101894109A
• 公開（公告）日: 2010-11-24
• 發(fā)明（設(shè)計(jì)）人: 袁學(xué)軍;熊燁
• 申請(qǐng)（專利權(quán)）人: 無錫比比網(wǎng)信息有限公司
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30
• 代理公司: 北京德琦知識(shí)產(chǎn)權(quán)代理有限公司 11018
• 代理人: 謝安昆;宋志強(qiáng)

技術(shù)領(lǐng)域

本發(fā)明涉及網(wǎng)絡(luò)技術(shù)，特別涉及一種對(duì)網(wǎng)絡(luò)上的數(shù)據(jù)進(jìn)行有序整理和存儲(chǔ)的數(shù)據(jù)庫建立方法和裝置。

背景技術(shù)

當(dāng)前，互聯(lián)網(wǎng)上的數(shù)據(jù)總體上雜亂無章，用戶如果需要查找某個(gè)具體的信息，比如關(guān)于“××學(xué)校”的介紹，通常需要借助于搜索引擎來進(jìn)行搜索。

但是，這種搜索方式存在一定的缺陷，即不能使用戶準(zhǔn)確方便地找到所需信息，甚至不能找到所需信息。這是因?yàn)椋喊凑宅F(xiàn)有搜索方式，用戶在輸入關(guān)鍵詞，比如“××學(xué)校”后，搜索引擎會(huì)顯示出包含該關(guān)鍵詞的所有信息，如“××學(xué)校”的地址、用戶對(duì)“××學(xué)校”的評(píng)價(jià)、“××學(xué)校”的介紹、與“××學(xué)校”相關(guān)的歷史事件，以及“××學(xué)校”的相關(guān)新聞等，而且這些信息在顯示時(shí)是混雜在一起的，不能進(jìn)行有效區(qū)分，那么，用戶需要進(jìn)行進(jìn)一步的篩選，才能從中找到自己所需的信息，很不方便。另外，對(duì)于某些比較不常用的關(guān)鍵詞，比如“××學(xué)校”，該學(xué)校為用戶當(dāng)?shù)匾粋€(gè)很小的學(xué)校，不知名，所以互聯(lián)網(wǎng)上沒有關(guān)于該學(xué)校的相關(guān)介紹，那么如果用戶按照現(xiàn)有方式進(jìn)行搜索，則根本就不能得到所需的信息。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的主要目的在于提供一種數(shù)據(jù)庫建立方法，能夠使用戶準(zhǔn)確方便地搜索到自己所需的信息。

本發(fā)明的另一目的在于提供一種數(shù)據(jù)庫建立裝置，能夠使用戶準(zhǔn)確方便地搜索到自己所需的信息。

為達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的：

一種數(shù)據(jù)庫建立方法，包括：

確定目標(biāo)數(shù)據(jù)網(wǎng)站；

從每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站上采集所需信息，并將采集到的所需信息按照所屬類別的不同分別存儲(chǔ)到數(shù)據(jù)庫中；

接收用戶編輯或創(chuàng)建的數(shù)據(jù)，并將該數(shù)據(jù)按照所屬類別的不同分別存儲(chǔ)到所述數(shù)據(jù)庫中。

所述確定目標(biāo)數(shù)據(jù)網(wǎng)站包括：

獲取初選目標(biāo)數(shù)據(jù)網(wǎng)站；

按照預(yù)定規(guī)則，分別判斷每個(gè)初選目標(biāo)數(shù)據(jù)網(wǎng)站是否符合要求，如果是，則將該初選目標(biāo)數(shù)據(jù)網(wǎng)站確定為目標(biāo)數(shù)據(jù)網(wǎng)站。

所述從每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站上采集所需信息包括：

訪問每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站，獲取每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站上的每個(gè)網(wǎng)頁的網(wǎng)頁內(nèi)容；

利用關(guān)鍵詞匹配或正則表達(dá)式字符串匹配方式從網(wǎng)頁內(nèi)容中采集所需信息。

所述訪問每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站，獲取每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站上的每個(gè)網(wǎng)頁的網(wǎng)頁內(nèi)容包括：

分析每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站的統(tǒng)一資源定位符URL，確定該目標(biāo)數(shù)據(jù)網(wǎng)站的網(wǎng)頁網(wǎng)址是否有規(guī)律可循，如果是，則根據(jù)所述規(guī)律構(gòu)造循環(huán)條件，并利用構(gòu)造出的循環(huán)條件依次訪問每個(gè)網(wǎng)頁，獲取網(wǎng)頁內(nèi)容；

否則，通過對(duì)目標(biāo)數(shù)據(jù)網(wǎng)站的源代碼進(jìn)行分析或利用搜索引擎進(jìn)行搜索，獲取每個(gè)網(wǎng)頁的網(wǎng)址，按照確定出的網(wǎng)址訪問每個(gè)網(wǎng)頁，獲取網(wǎng)頁內(nèi)容。

所述利用關(guān)鍵詞匹配或正則表達(dá)式字符串匹配方式從網(wǎng)頁內(nèi)容中采集所需信息之前，進(jìn)一步包括：

剔除網(wǎng)頁內(nèi)容中的超文本鏈接標(biāo)示語言HTML標(biāo)簽以及無用的空白字符；

確定網(wǎng)頁內(nèi)容的文字編碼方式是否符合要求，如果不符合，將其轉(zhuǎn)換為預(yù)定的文字編碼方式。

該方法進(jìn)一步包括：

將所確定的每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站，以及從每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站上采集所需信息的方式進(jìn)行保存，依據(jù)所保存的信息，對(duì)所述數(shù)據(jù)庫進(jìn)行實(shí)時(shí)或定時(shí)更新。

該方法進(jìn)一步包括：

生成搜索界面；

接收用戶輸入的關(guān)鍵詞，并在所述數(shù)據(jù)庫中搜索包含所述關(guān)鍵詞的信息顯示給用戶。

所述搜索包含所述關(guān)鍵詞的信息顯示給用戶包括：

當(dāng)所述關(guān)鍵詞的數(shù)量為一個(gè)時(shí)，在不同類別中分別搜索包含所述關(guān)鍵詞的信息，并將搜索到的每個(gè)類別中包含所述關(guān)鍵詞的前N條信息顯示給用戶；所述N為正整數(shù)；

當(dāng)所述關(guān)鍵詞的數(shù)量為兩個(gè)以上時(shí)，確定用戶是否需要進(jìn)行比較搜索，如果是，則針對(duì)每個(gè)關(guān)鍵詞，分別在不同類別中搜索包含所述關(guān)鍵詞的信息，并將搜索到的每個(gè)關(guān)鍵詞所對(duì)應(yīng)的同一類別中的前N條信息以對(duì)照的形式同時(shí)顯示給用戶。

該方法進(jìn)一步包括：按照預(yù)先設(shè)定的鏈接關(guān)系，搜索與包含所述關(guān)鍵詞的信息相關(guān)的信息并顯示給用戶。

一種數(shù)據(jù)庫建立裝置，包括：數(shù)據(jù)庫、確定單元、第一存儲(chǔ)單元以及第二存儲(chǔ)單元，其中：

所述確定單元，用于確定目標(biāo)數(shù)據(jù)網(wǎng)站；

所述第一存儲(chǔ)單元，用于從每個(gè)目標(biāo)數(shù)據(jù)網(wǎng)站上采集所需信息，并將采集到的所需信息按照所屬類別的不同分別存儲(chǔ)到所述數(shù)據(jù)庫中；

所述第二存儲(chǔ)單元，用于接收用戶編輯或創(chuàng)建的數(shù)據(jù)，并將該數(shù)據(jù)按照所屬類別的不同分別存儲(chǔ)到所述數(shù)據(jù)庫中。

所述確定單元包括：

獲取子單元，用于獲取初選目標(biāo)數(shù)據(jù)網(wǎng)站；