[發明專利]一種專利信息解析方法和裝置

有效

• 申請號: 201210142700.5
• 申請日: 2012-05-09
• 公開（公告）號: CN102682109A
• 公開（公告）日: 2012-09-19
• 發明（設計）人: 謝國利
• 申請（專利權）人: 北京彼速信息技術有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 深圳市威世博知識產權代理事務所(普通合伙) 44280
• 代理人: 袁媛

1.一種專利信息解析方法，其特征在于，該方法包括：

S1、從數據庫中選擇已完成解析的專利信息作為基礎數據，并從網站上獲取所述專利信息的超文本標記語言HTML格式網頁；

S2、針對所述基礎數據中的各數據項，分別從獲取到的HTML格式網頁中獲取能夠唯一定位各數據項的字符串，并分別格式化為解析各數據項的正則表達式；

S3、利用所述解析各數據項的正則表達式，從所述網站未解析的HTML格式網頁中解析專利信息，并將解析到的專利信息存入所述數據庫。

2.根據權利要求1所述的方法，其特征在于，定時檢測所述網站的HTML格式是否發生變化，如果檢測到HTML格式發生變化，則觸發執行所述步驟S1；或者，

人工觸發執行所述步驟S1；或者，

無論所述網站的HTML格式是否發生變化，均定期觸發執行所述步驟S1。

3.根據權利要求1所述的方法，其特征在于，所述步驟S2具體包括：

S21、獲取所述基礎數據中未執行所述步驟S2的一個數據項作為當前數據項；

S22、在步驟S1獲取的HTML格式網頁中確定當前數據項的位置；

S23、從該位置分別向前和向后截取預設截取長度的字符串，過濾截取的字符串中的非HTML標簽后，將前后兩個字符串格式化成正則表達式；

S24、檢驗得到的正則表達式是否能夠唯一定位當前數據項，如果是，則記錄當前數據項對應的正則表達式，轉至所述步驟S21；否則，增大所述截取長度，重新轉至所述步驟S23。

4.根據權利要求3所述的方法，其特征在于，所述步驟S23中將前后兩個字符串格式化成正則表達式具體包括：

將過濾后的前后兩個字符串中的各字符作為正則表達式中的元字符，過濾的非HTML標簽中緊鄰當前數據項的普通字符在正則表達式中保留，過濾的其他內容在正則表達式中替換為正則表達式通配符號。

5.根據權利要求3所述的方法，其特征在于，所述步驟S24中檢驗得到的正則表達式是否能夠唯一定位當前數據項具體為：

將所述得到的正則表達式到所述步驟S1獲取的HTML格式網頁中或者其他HTML格式網頁中提取信息，判斷是否能夠唯一獲取當前數據項的內容，如果是，則說明能夠唯一定位當前數據項。

6.根據權利要求1所述的方法，其特征在于，在所述步驟S2和步驟S3之間還包括：

S41、從所述數據庫中另選擇一條已完成解析的專利信息，從所述網站上獲取另選擇專利信息的HTML格式網頁；

S42、利用步驟S2得到的各數據項的正則表達式從步驟S41獲取的HTML格式網頁上提取各數據項的專利信息，并判斷提取的專利信息與所述數據庫中存儲的專利信息是否一致，如果一致，則確定驗證通過，繼續執行所述步驟S3；否則，指示對不一致的數據項的正則表達式進行修正。

7.一種專利信息解析裝置，其特征在于，該裝置包括：

基礎數據獲取單元，用于從數據庫中選擇已完成解析的專利信息作為基礎數據；

網頁獲取單元，用于從網站上獲取所述基礎數據獲取單元所選擇專利信息的HTML格式網頁；

規則格式化單元，用于針對所述基礎數據中的各數據項，分別從所述網頁獲取單元獲取的HTML格式網頁中獲取能夠唯一定位各數據項的字符串，并分別格式化為解析各數據項的正則表達式；

信息解析單元，用于利用所述解析各數據項的正則表達式，從所述網站未解析的HTML格式網頁中解析專利信息，并將解析到的專利信息存入所述數據庫。

8.根據權利要求7所述的裝置，其特征在于，該裝置還包括：

觸發控制單元，用于定時檢測所述網站的HTML格式是否發生變化，如果檢測到HTML格式發生變化，則觸發所述基礎數據獲取單元執行操作；或者，在人工控制下觸發所述基礎數據獲取單元執行操作；或者，無論所述網站的HTML格式是否發生變化，均定期觸發所述基礎數據獲取單元執行操作。