[發明專利]基于頁面分析的互聯網信息發表時間提取方法在審
| 申請號： | 201210290557.4 | 申請日： | 2012-08-16 |
| 公開（公告）號： | CN103593360A | 公開（公告）日： | 2014-02-19 |
| 發明（設計）人： | 陳宗華;陳永江;葛恒虎;劉永超;喬磊 | 申請（專利權）人： | 江蘇金鴿網絡科技有限公司 |
| 主分類號： | G06F17/30 | 分類號： | G06F17/30 |
| 代理公司： | 南京眾聯專利代理有限公司 32206 | 代理人： | 劉喜蓮 |
| 地址： | 222000 江蘇省連云港市*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 頁面 分析 互聯網 信息 發表 時間 提取 方法 | ||
1.一種基于頁面分析的互聯網信息發表時間提取方法，其特征在于：首先訪問互聯網根據Url判斷網站類型，加載目標頁面得到網頁文本源碼集合S；其次對于新聞類網站根據標簽的正則表達式識別出集合S中的標題行L，并為標題行L中的每個符號節點進行分割，得到最大標題長度；其具體步驟如下：
A、根據Url判斷網站類型，加載目標頁面得到文本源碼集合S；其操作步驟如下：
A1、輸入網頁地址，根據Url的一般表示習慣，判斷出網站類型；
A2、輸入網頁地址，利用HttpClient獲取原始HTML源碼集合S；
B、新聞類網站，識別并標記集合S中的標題行L，并匹配時間；其操作步驟如下：
B1、依據正則匹配文本源碼集合S得到標題行L；
B2、用標題行L中的符號對L進行分割，取到最大長度無符號標題T；
B3、根據得到的標題T，在其500的字符內用時間正則表達式進行時間匹配；
B4、如果匹配不到時間，找集合S中出現的下一個標題，轉B3，如果無下一標題，則匹配失??；
C、論壇類網站，根據關鍵字匹配時間；其操作步驟如下：
C1、根據論壇發表時間關鍵字集合后10個字符內匹配時間正則表達式；
C2、根據由C1生成的新的正則表達式，對集合S進行匹配；
C3、若匹配到時間則成功，否則直接匹配時間格式，取最新時間；
D、對于其它網站的時間匹配，其操作步驟如下：
D1、對于百度貼吧，根據特有的關鍵字進行時間匹配；
D2、對于微博，調用微博的API，進行時間提取；
D3、對于其它網站，直接對S進行時間正則表達式匹配；
至此，信息發表時間的自動提取結束。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于江蘇金鴿網絡科技有限公司，未經江蘇金鴿網絡科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201210290557.4/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：可多面進風的空氣凈化器
- 下一篇：壁掛式空調器
