[發(fā)明專利]網(wǎng)頁發(fā)布時間抽取方法和用于網(wǎng)頁發(fā)布時間抽取的裝置

有效

• 申請?zhí)枺?/td>: 201510955640.2
• 申請日: 2015-12-18
• 公開（公告）號: CN106897287B
• 公開（公告）日: 2020-06-16
• 發(fā)明（設計）人: 丁圣勇;黃志蘭;樊勇兵;陳楠;金華敏;賴培源;區(qū)洪輝
• 申請（專利權）人: 中國電信股份有限公司
• 主分類號: G06F16/958
• 分類號: G06F16/958
• 代理公司: 中國國際貿易促進委員會專利商標事務所 11038
• 代理人: 許蓓

本發(fā)明公開了一種網(wǎng)頁發(fā)布時間抽取方法和用于網(wǎng)頁發(fā)布時間抽取的裝置，涉及云計算領域。其中的網(wǎng)頁發(fā)布時間抽取方法包括：建立網(wǎng)頁源碼的文檔對象模型DOM樹；在DOM樹中確定網(wǎng)頁標題節(jié)點；根據(jù)網(wǎng)頁發(fā)布時間節(jié)點與網(wǎng)頁標題節(jié)點在DOM樹中的相對位置關系確定網(wǎng)頁發(fā)布時間。通過根據(jù)DOM中網(wǎng)頁發(fā)布時間節(jié)點與網(wǎng)頁標題節(jié)點的位置關系確定網(wǎng)頁發(fā)布時間，能夠準確定位網(wǎng)頁發(fā)布時間，適用于自動化的網(wǎng)頁發(fā)布時間抽取。

技術領域

本發(fā)明涉及云計算領域，尤其是一種網(wǎng)頁發(fā)布時間抽取方法和用于網(wǎng)頁發(fā)布時間抽取的裝置。

背景技術

在互聯(lián)網(wǎng)時代，網(wǎng)頁是承載消息內容發(fā)布的重要載體。除了直接從網(wǎng)頁中獲取閱讀資訊，對資訊進行深層次的分析也是人們關注的一個重點。

對網(wǎng)頁中的資訊進行分析的前提是解析出網(wǎng)頁的內容。在網(wǎng)頁抽取問題中，特別對消息資訊類網(wǎng)頁進行抽取時，網(wǎng)頁發(fā)布時間是一個重要屬性。目前主要依據(jù)正則表達式規(guī)則進行網(wǎng)頁發(fā)布時間的抽取。但是一個網(wǎng)頁往往包含多個時間，僅通過簡單正則表達式匹配出來時間并不能確定具體的網(wǎng)頁發(fā)布時間。此外，搜索引擎在抓取網(wǎng)頁時，往往是將網(wǎng)頁源碼的HTTP(HyperText Transfer Protocol，超文本傳輸協(xié)議)頭文件中的時間作為網(wǎng)頁的發(fā)布時間，然而HTTP頭文件中的時間為網(wǎng)頁最后的修改時間，網(wǎng)頁可能在發(fā)布后進行了修改，無法代表網(wǎng)頁的發(fā)布時間。

發(fā)明內容

本發(fā)明實施例所要解決的一個技術問題是：如何準確地抽取網(wǎng)頁的發(fā)布時間。

根據(jù)本發(fā)明實施例的第一個方面，提供了一種網(wǎng)頁發(fā)布時間抽取方法，其特征在于，包括：建立網(wǎng)頁源碼的文檔對象模型DOM樹；在DOM樹中確定網(wǎng)頁標題節(jié)點；根據(jù)網(wǎng)頁發(fā)布時間節(jié)點與網(wǎng)頁標題節(jié)點在DOM樹中的相對位置關系確定網(wǎng)頁發(fā)布時間。

在一個實施例中，根據(jù)網(wǎng)頁發(fā)布時間節(jié)點與網(wǎng)頁標題節(jié)點在DOM樹中的相對位置關系確定網(wǎng)頁發(fā)布時間包括：如果在網(wǎng)頁標題節(jié)點所屬的父節(jié)點下有時間節(jié)點，將時間節(jié)點中的時間信息提取為網(wǎng)頁發(fā)布時間。

在一個實施例中，如果在網(wǎng)頁標題所在的標簽對應的節(jié)點所屬的父節(jié)點下有時間葉子節(jié)點，將時間葉子節(jié)點中的時間信息提取為網(wǎng)頁發(fā)布時間；或者，如果在網(wǎng)頁標題所在的標簽對應的節(jié)點所屬的父節(jié)點下有時間所在的標簽，從時間所在的標簽中提取時間信息并作為網(wǎng)頁發(fā)布時間。

在一個實施例中，根據(jù)網(wǎng)頁發(fā)布時間節(jié)點與網(wǎng)頁標題節(jié)點在DOM樹中的相對位置關系確定網(wǎng)頁發(fā)布時間包括：確定網(wǎng)頁標題節(jié)點的父節(jié)點的次左子節(jié)點，如果次左子節(jié)點的若干子樹下的左子樹節(jié)點是時間節(jié)點，將時間節(jié)點中的時間信息提取為網(wǎng)頁發(fā)布時間。

在一個實施例中，根據(jù)網(wǎng)頁發(fā)布時間節(jié)點與網(wǎng)頁標題節(jié)點在DOM樹中的相對位置關系確定網(wǎng)頁發(fā)布時間包括：如果在網(wǎng)頁標題節(jié)點所屬的父節(jié)點下有時間節(jié)點，將時間節(jié)點中的時間信息提取為網(wǎng)頁發(fā)布時間；如果在網(wǎng)頁標題節(jié)點所屬的父節(jié)點下沒有時間節(jié)點，確定網(wǎng)頁標題節(jié)點的父節(jié)點的次左子節(jié)點，如果次左子節(jié)點的若干子樹下的左子樹節(jié)點是時間節(jié)點，將時間節(jié)點中的時間信息提取為網(wǎng)頁發(fā)布時間。

在一個實施例中，根據(jù)網(wǎng)頁發(fā)布時間節(jié)點與網(wǎng)頁標題節(jié)點在DOM樹中的相對位置關系確定網(wǎng)頁發(fā)布時間包括：如果在網(wǎng)頁標題所在的標簽對應的節(jié)點所屬的父節(jié)點下有時間葉子節(jié)點，將時間葉子節(jié)點中的時間信息提取為網(wǎng)頁發(fā)布時間；如果在網(wǎng)頁標題所在的標簽對應的節(jié)點所屬的父節(jié)點下沒有時間葉子節(jié)點，在網(wǎng)頁標題所在的標簽對應的節(jié)點所屬的父節(jié)點下查找是否有時間所在的標簽，如果有，從時間所在的標簽中提取時間信息并作為網(wǎng)頁發(fā)布時間；如果網(wǎng)頁標題所在的標簽對應的節(jié)點所屬的父節(jié)點沒有時間所在的標簽，確定網(wǎng)頁標題節(jié)點的父節(jié)點的次左子節(jié)點，如果次左子節(jié)點的若干子樹下的左子樹節(jié)點是時間節(jié)點，將時間節(jié)點中的時間信息提取為網(wǎng)頁發(fā)布時間。