[發明專利]一種信息抽取方法及裝置

有效

• 申請號: 201810176124.3
• 申請日: 2018-03-02
• 公開（公告）號: CN110309364B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 王策;張鋒
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/81
• 分類號: G06F16/81;G06F16/84;G06F16/25
• 代理公司: 深圳市深佳知識產權代理事務所(普通合伙) 44285
• 代理人: 王仲凱

1.一種信息抽取方法，其特征在于，包括：

獲取目標頁面的頁面信息；

根據所述頁面信息建立文檔模型，并根據配置文件確定所述目標頁面對應的目標路徑信息，所述配置文件用于抽取目標文檔信息，所述配置文件中包括至少一個頁面對應的路徑信息，所述頁面中同一屬性對應的不同屬性值被統一配置一個包含目標字符的路徑信息；

若所述目標路徑信息包含目標字符，則確定所述文檔模型中至少一個節點的節點路徑信息，并確定所述節點路徑信息中與所述目標路徑信息匹配的目標節點路徑信息；

通過所述目標節點路徑信息抽取第一文檔信息，所述第一文檔信息為所述目標文檔信息。

2.根據權利要求1所述的方法，其特征在于，所述確定所述節點路徑信息中與所述目標路徑信息匹配的目標節點路徑信息包括：

確定第一節點路徑信息對應的第一字符串序列，并確定目標路徑信息對應的第二字符串序列，所述第一節點路徑信息為所述至少一個節點的路徑信息中任意一個節點的節點路徑信息；

將所述第一字符串序列與所述第二字符串序列中位置對應的若干對字符串分別進行匹配；

若均匹配，則確定所述第一節點的節點路徑信息為與所述目標路徑信息匹配的目標節點路徑信息。

3.根據權利要求2所述的方法，其特征在于，所述將所述第一字符串序列與所述第二字符串序列中位置對應的若干對字符串分別進行匹配之前包括：

判斷所述第一字符串序列的序列長度與所述第二字符串序列的序列長度是否相等；

若否，則確定所述第一節點路徑信息與所述目標路徑信息不匹配；

若是，則執行所述將所述第一字符串序列與所述第二字符串序列中位置對應的若干對字符串分別進行匹配的步驟。

4.根據權利要求2或3所述的方法，其特征在于，所述將所述第一字符串序列與所述第二字符串序列中位置對應的若干對字符串分別進行匹配包括：

判斷所述第一字符串序列的第i個字符串與所述第二字符串序列的第i個字符串是否相同；

若相同，則確定所述第一字符串序列的第i個字符串與所述第二字符串序列的第i個字符串匹配。

5.根據權利要求4所述的方法，其特征在于，所述方法還包括：

若不相同，則判斷所述第二字符串序列的第i個字符串是否包含所述目標字符；

若不包含，則確定所述第一字符串序列的第i個字符串與所述第二字符串序列的第i個字符串不匹配；

若包含，則判斷所述第一字符串序列的第i個字符串中除了與所述目標字符對應的第一字符以外的其他字符，與所述第二字符串序列的第i個字符串中除了所述目標字符以外的其他字符是否相同；

若否，則確定所述第一字符串序列的第i個字符串與所述第二字符串序列的第i個字符串不匹配；

若是，則確定所述第一字符串序列的第i個字符串與所述第二字符串序列的第i個字符串匹配。

6.根據權利要求1至3中任一項方法，其特征在于，所述確定所述文檔模型中至少一個節點的節點路徑信息包括：

確定所述目標路徑信息對應的表達式；

根據所述表達式以及所述節點在所述文檔模型中的位置，生成所述節點路徑信息。

7.一種信息抽取裝置，其特征在于，包括：

獲取模塊，用于獲取目標頁面的頁面信息；

建立模塊，用于根據所述頁面信息建立文檔模型；

第一確定模塊，用于根據配置文件確定所述目標頁面對應的目標路徑信息，所述配置文件用于抽取目標文檔信息，所述配置文件中包括至少一個頁面對應的路徑信息，所述頁面中同一屬性對應的不同屬性值被統一配置一個包含目標字符的路徑信息；

第二確定模塊，用于當所述目標路徑信息包含目標字符時，確定所述文檔模型中至少一個節點的節點路徑信息；

第三確定模塊，用于確定所述節點路徑信息中與所述目標路徑信息匹配的目標節點路徑信息；

抽取模塊，用于通過所述目標節點路徑信息抽取第一文檔信息，所述第一文檔信息為所述目標文檔信息。