[發(fā)明專利]輕量級智能網頁內容解析方法

有效

• 申請?zhí)枺?/td>: 201010126329.4
• 申請日: 2010-03-18
• 公開（公告）號: CN101819584A
• 公開（公告）日: 2010-09-01
• 發(fā)明（設計）人: 不公告發(fā)明人
• 申請（專利權）人: 上海引跑信息科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種輕量級智能網頁內容解析方法，其特征在于：

1)從因特網獲取網頁的HTML源碼，但并不獲取網頁中引用的圖片、腳 本資源，其目的是獲取網頁的文本數(shù)據；

2)利用HTML源碼的結構化、層次化特性，構建數(shù)據對象，同時對不完 整的HTML源碼進行補充，確保每個標簽都是完整閉合，便于后續(xù)對 標簽所包含數(shù)據的分析；

3)遵循網頁構建時候的基本特征和開發(fā)者的常規(guī)習慣，利用新聞、博客、 論壇等文章類型網頁的基本特征，系統(tǒng)自動從根節(jié)點開始遞歸，自上 而下對每個HTML標簽所包含的數(shù)據信息、文本信息、非文本信息、 超鏈信息所占比例進行統(tǒng)計、比較，以純文本信息量及相關比例為依 據，確認最可能的文章標題、主體內容的父節(jié)點；

4)對于獲取到的父節(jié)點，整理其所包含的文字信息，去除菜單、導航等 和文章內容無關的數(shù)據，最終獲取當前網頁的有效文字信息，即主要 內容和標題，并以自定義格式保存；

5)所有網頁都采取同樣的解析方式，并且保存為自定義格式時，均不包 含原有網頁的HTML結構和排版信息，整個解析過程自動完成，不需 要人工干預；

6)保存的網頁主體內容，作為文字數(shù)據材料，可供用戶處理，進行查看、 編輯、合并、索引、格式轉換，乃至編輯成冊；

7)通過任務調度功能，可以定制任務，定時更新結果。