[發(fā)明專利]基于時間格式和網(wǎng)頁元素特征的文章發(fā)布時間識別方法

在審

• 申請?zhí)枺?/td>: 202011461251.1
• 申請日: 2020-12-14
• 公開（公告）號: CN112232075A
• 公開（公告）日: 2021-01-15
• 發(fā)明（設(shè)計）人: 靳林林;李青龍
• 申請（專利權(quán)）人: 北京智慧星光信息技術(shù)有限公司
• 主分類號: G06F40/279
• 分類號: G06F40/279;G06F16/38
• 代理公司: 北京智宇正信知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11876
• 代理人: 李明卓

本發(fā)明公開了一種基于時間格式和網(wǎng)頁元素特征的文章發(fā)布時間識別方法，該方法包括：去除文本內(nèi)容長度大于第一預(yù)設(shè)長度的標簽，得到去除標簽后源碼，第一預(yù)設(shè)長度是根據(jù)時間格式和臨近元素特征確定的；判斷源碼中是否包含時間標志關(guān)鍵詞，時間標志關(guān)鍵詞是根據(jù)網(wǎng)頁元素特征得到的，若包含則由時間標志關(guān)鍵詞得到文章發(fā)布時間，若不包含則判斷是否包含時間輔助關(guān)鍵詞，時間輔助關(guān)鍵詞是根據(jù)網(wǎng)頁元素特征得到的；若包含則根據(jù)時間輔助關(guān)鍵詞得到文章發(fā)布時間；若不包含則判斷是否包含時間要素；若包含時間要素則遍歷全文時間要素，根據(jù)文章頭部元素特征和時間元素關(guān)系得到文章發(fā)布時間，實現(xiàn)了文章發(fā)布時間的自動識別與提取。

技術(shù)領(lǐng)域

本發(fā)明涉及網(wǎng)頁特征渲染領(lǐng)域，具體涉及一種基于時間格式和網(wǎng)頁元素特征的文章發(fā)布時間識別方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)

在現(xiàn)實應(yīng)用中，對于網(wǎng)絡(luò)文章尤其是新聞媒體的發(fā)布時間進行準確的提取，在傳播分析、輿情監(jiān)測與預(yù)警等領(lǐng)域都有著極為重要的意義。而隨著當前互聯(lián)網(wǎng)的不斷發(fā)展，新出現(xiàn)的網(wǎng)站數(shù)以億計，而且網(wǎng)頁形式也日益多樣，這種情況下，依靠傳統(tǒng)手工配置路徑等來提取大量網(wǎng)站的時間已經(jīng)愈發(fā)不現(xiàn)實。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明實施例提供了一種基于時間格式和網(wǎng)頁元素特征的文章發(fā)布時間識別方法、系統(tǒng)、電子設(shè)備及存儲介質(zhì)，以實現(xiàn)文章發(fā)布時間的自動識別與提取。

為此，本發(fā)明實施例提供了如下技術(shù)方案：

根據(jù)第一方面，本發(fā)明實施例提供了一種基于時間格式和網(wǎng)頁元素特征的文章發(fā)布時間識別方法，包括：獲取待識別文章的源碼；去除源碼中標簽文本內(nèi)容的長度大于第一預(yù)設(shè)長度的標簽，得到去除標簽后源碼，所述第一預(yù)設(shè)長度是根據(jù)時間格式和臨近元素特征確定的；判斷去除標簽后源碼中是否包含時間標志關(guān)鍵詞，所述時間標志關(guān)鍵詞是根據(jù)網(wǎng)頁元素特征得到的；若源碼中包含時間標志關(guān)鍵詞，則根據(jù)時間標志關(guān)鍵詞得到文章發(fā)布時間；若源碼中不包含時間標志關(guān)鍵詞，則判斷源碼中是否包含時間輔助關(guān)鍵詞，時間輔助關(guān)鍵詞是根據(jù)網(wǎng)頁元素特征得到的；若源碼中包含時間輔助關(guān)鍵詞，則根據(jù)時間輔助關(guān)鍵詞得到文章發(fā)布時間；若源碼中不包含時間輔助關(guān)鍵詞，則判斷源碼中是否包含時間要素；若源碼中包含時間要素，則根據(jù)時間要素得到文章發(fā)布時間。

可選地，若源碼中包含時間標志關(guān)鍵詞，則根據(jù)時間標志關(guān)鍵詞得到文章發(fā)布時間的步驟中，包括：若源碼中包含時間標志關(guān)鍵詞，則根據(jù)時間標志關(guān)鍵詞得到時間標志關(guān)鍵詞對應(yīng)的父元素以及父元素的所有子元素；提取時間標志關(guān)鍵詞對應(yīng)的父元素和父元素的所有子元素中的所有日期元素對應(yīng)的日期文本；判斷日期文本的長度是否大于第二預(yù)設(shè)長度；若日期文本的長度大于第二預(yù)設(shè)長度，則去除所述日期文本；若日期文本的長度小于或者等于第二預(yù)設(shè)長度，則保留所述日期文本，得到第一日期文本集合；若所述第一日期文本集合中的日期文本的個數(shù)等于一個，則所述日期文本為文章發(fā)布時間；若所述第一日期文本集合中的日期文本的個數(shù)大于一個，則根據(jù)文章來源的位置和文章標題的位置得到文章發(fā)布時間。

可選地，若所述第一日期文本集合中的日期文本的個數(shù)大于一個，則根據(jù)文章來源的位置和文章標題的位置得到文章發(fā)布時間的步驟中，包括：若第一日期文本集合中的日期文本的個數(shù)大于一個，則在第一日期文本集合中查找與文章來源所在位置索引距離最近的日期文本，得到查找結(jié)果；若查找結(jié)果為查找到，則將查找到的與文章來源所在位置索引距離最近的日期文本作為文章發(fā)布時間；若查找結(jié)果為未查找到，則將第一日期文本集合中與文章標題所在位置索引距離最近的日期文本作為文章發(fā)布時間。