[發明專利]網頁表格數據提取方法、裝置及終端設備

在審

• 申請號: 202210701851.3
• 申請日: 2022-06-21
• 公開（公告）號: CN115186205A
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 李詠浩
• 申請（專利權）人: 廣東艾矽易信息科技有限公司
• 主分類號: G06F16/955
• 分類號: G06F16/955;G06F16/957
• 代理公司: 深圳市港灣知識產權代理有限公司 44258
• 代理人: 陳麗

本申請適用于數據處理技術領域，提供了網頁表格數據提取方法、裝置及終端設備。上述網頁表格數據提取方法，首先從網頁表格代碼中獲取網頁表格的Table標簽，獲取網頁表格中的多條數據，并將該多條數據組合生成JSON格式數據。之后，將網頁表格的第一標簽部分轉換為鍵，第二部分標簽轉換為值，再將JSON格式數據、上述鍵和上述值進行組合，得到組合后的JSON格式數據。最后，根據組合后的JSON格式數據和URL鏈接的格式，對網頁表格的數據進行顯示，從而能夠對網頁表格中的數據以及對應的URL鏈接展示出來。

技術領域

本申請屬于數據處理技術領域，具體涉及一種網頁表格數據提取方法、裝置及終端設備。

背景技術

網頁中的表格數據能夠向用戶整齊地展示很多有用的信息，方便用戶進行閱讀，但如果用戶想收集整理上述信息則不那么方便。因為在基于表格提取的代碼庫中，信息的獲取往往比較簡單，但主要難點在于獲取到的數據如何按照表格的規律展示出來，否則獲取后繁瑣的代碼處理，會影響表格提取的準確與便捷。

發明內容

為克服相關技術中存在的問題，本申請實施例提供了網頁表格數據提取方法、裝置及終端設備。

本申請是通過如下技術方案實現的：

第一方面，本申請實施例提供了一種網頁表格數據提取方法，包括：從網頁表格代碼中獲取網頁表格的Table標簽，所述Table標簽中包含統一資源定位符URL鏈接；獲取所述網頁表格中的多條數據，并將所述多條數據組合生成JSON格式數據；將所述網頁表格的第一標簽部分轉換為鍵，將所述網頁表格的第二部分標簽轉換為值；將所述JSON格式數據、所述鍵和所述值進行組合，得到組合后的JSON格式數據；根據所述組合后的JSON格式數據和所述URL鏈接的格式，對所述網頁表格的數據進行顯示。

本申請實施例中，首先從網頁表格代碼中獲取網頁表格的Table標簽，獲取網頁表格中的多條數據，并將該多條數據組合生成JSON格式數據。之后，將網頁表格的第一標簽部分轉換為鍵，第二部分標簽轉換為值，再將JSON格式數據、上述鍵和上述值進行組合，得到組合后的JSON格式數據。最后，根據組合后的JSON格式數據和URL鏈接的格式，對網頁表格的數據進行顯示，從而能夠對網頁表格中的數據以及對應的URL展示出來。

結合第一方面，在一種可能的實現方式中，所述將所述JSON格式數據、所述鍵和所述值進行組合，得到組合后的JSON格式數據，包括：根據所述第一標簽和所述第二標簽的行列屬性，將所述JSON格式數據、所述鍵和所述值進行組合，得到組合后的JSON格式數據。

結合第一方面，在一種可能的實現方式中，所述行列屬性包括colspan和/或rowspan；所述根據所述第一標簽和所述第二標簽的行列屬性，將所述JSON格式數據、所述鍵和所述值進行組合，得到組合后的JSON格式數據，包括：根據所述colspan和/或rowspan，將所述JSON格式數據與對應的所述鍵和所述值進行組合，得到能夠轉化為二維數組的JSON格式數據。

結合第一方面，在一種可能的實現方式中，所述將所述網頁表格的第一標簽部分轉換為鍵，將所述網頁表格的第二部分標簽轉換為值，包括：將所述網頁表格的TH標簽部分轉換為鍵，將所述網頁表格的TD標簽部分轉換為值。

結合第一方面，在一種可能的實現方式中，所述獲取所述網頁表格中的多條數據，并將所述多條數據組合生成JSON格式數據，包括：對所述網頁表格代碼進行報文解析，得到所述網頁表格中的多條數據；對所述多條數據進行完整性校驗，并進行缺失值處理；從處理后的多條數據中提取目標字段，生成統一的報文對象；將所述報文對象轉化為JSON格式數據。