一種網(wǎng)頁信息提取方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，特別涉及一種網(wǎng)頁信息提取方法及裝置。
【背景技術(shù)】
[0002]互聯(lián)網(wǎng)是一個巨大的信息發(fā)布和傳播源，目前網(wǎng)頁數(shù)量已超過800億，每小時還以驚人的速度在增長，這些網(wǎng)頁中可能包含用戶需要的大量信息，例如，對于建筑行業(yè)用戶來講，這些網(wǎng)頁中可能包含有潛在客戶列表與聯(lián)系信息、建筑材料的價格列表、實時的建筑工程信息、供求信息和招中標(biāo)信息等等。
[0003]實際應(yīng)用中，為了能夠有針對性的向用戶提供網(wǎng)頁信息，一般通過網(wǎng)頁信息提取方式從已存在的網(wǎng)頁中提取對用戶有用的信息，并將所提取的網(wǎng)頁信息提供給用戶?，F(xiàn)有技術(shù)中，提取網(wǎng)頁信息時，可以通過關(guān)鍵字匹配等方法實現(xiàn)。具體的，通過關(guān)鍵字匹配法提取網(wǎng)頁信息時，在目標(biāo)網(wǎng)頁的源代碼中查找與預(yù)設(shè)的關(guān)鍵字相匹配的信息，并提取與預(yù)設(shè)的關(guān)鍵字相匹配的信息。應(yīng)用上述方法可以提取出目標(biāo)網(wǎng)頁中的相關(guān)信息，然而，網(wǎng)頁中所包含的信息量較大，可能會存在多個與預(yù)設(shè)的關(guān)鍵字相匹配的信息，例如，目標(biāo)網(wǎng)頁中包含建筑行業(yè)潛在客戶的郵箱信息和網(wǎng)頁開發(fā)者的郵箱信息，預(yù)設(shè)的關(guān)鍵字為用于提取網(wǎng)頁中的郵箱信息的關(guān)鍵字，這樣可以提取出目標(biāo)網(wǎng)頁中所包含的建筑行業(yè)潛在客戶的郵箱信息和網(wǎng)頁開發(fā)者的郵箱信息，很明顯網(wǎng)頁開發(fā)者的郵箱信息并不是用戶所需要的信息，可見，應(yīng)用上述方法提取網(wǎng)頁信息時，可能造成所提取的信息中包含冗余信息或者包含錯誤信息，影響用戶體驗。
[0004]另外，在所提取的信息中包含冗余信息的情況下，若要剔除冗余信息，以為用戶提供較為精確的網(wǎng)頁信息，則需要對所提取的信息進(jìn)行二次處理，信息提取效率低。

【發(fā)明內(nèi)容】

[0005]本發(fā)明實施例公開了一種網(wǎng)頁信息提取方法及裝置，以為用戶提供較為精確的網(wǎng)頁信息，提高信息提取效率及用戶體驗。
[0006]為達(dá)到上述目的，本發(fā)明實施例公開了一種網(wǎng)頁信息提取方法，所述方法包括:
[0007]獲得目標(biāo)網(wǎng)頁的源代碼；
[0008]獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式；
[0009]根據(jù)所獲得的正則表達(dá)式和運算式，從所述目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息。
[0010]在本發(fā)明的一種具體實現(xiàn)方式中，所述網(wǎng)頁信息提取方法還包括:
[0011]對所提取的網(wǎng)頁信息進(jìn)行分類匯總，以分類形式向用戶展示。
[0012]在本發(fā)明的一種具體實現(xiàn)方式中，所述根據(jù)所獲得的正則表達(dá)式和運算式，從所述目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息，包括:
[0013]根據(jù)所獲得的正則表達(dá)和運算式，確定所獲得的正則表達(dá)式和運算式對應(yīng)的逆波蘭表達(dá)式；
[0014]根據(jù)所確定的逆波蘭表達(dá)式，從所述目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息。
[0015]在本發(fā)明的一種具體實現(xiàn)方式中，所述獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式，包括:
[0016]根據(jù)用戶的輸入信息，獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式；或
[0017]根據(jù)預(yù)設(shè)的表達(dá)式生成規(guī)則，獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式；根據(jù)預(yù)設(shè)的運算式生成規(guī)則，獲得針對上述正則表達(dá)式的運算式。
[0018]在本發(fā)明的一種具體實現(xiàn)方式中，所述運算式中使用的運算符號為預(yù)定義的符號。
[0019]為達(dá)到上述目的，本發(fā)明實施例公開了一種網(wǎng)頁信息提取裝置，所述裝置包括:
[0020]源代碼獲得模塊，用于獲得目標(biāo)網(wǎng)頁的源代碼；
[0021]表達(dá)式獲得模塊，用于獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式；
[0022]網(wǎng)頁信息提取模塊，用于根據(jù)所獲得的正則表達(dá)式和運算式，從目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息。
[0023]在本發(fā)明的一種具體實現(xiàn)方式中，所述網(wǎng)頁信息提取裝置還包括:
[0024]分類匯總模塊，用于對所提取的網(wǎng)頁信息進(jìn)行分類匯總，以分類形式向用戶展示。
[0025]在本發(fā)明的一種具體實現(xiàn)方式中，所述網(wǎng)頁信息提取模塊，包括:
[0026]逆波蘭表達(dá)式確定子模塊，用于根據(jù)所獲得的正則表達(dá)和運算式，確定所獲得的正則表達(dá)式和運算式對應(yīng)的逆波蘭表達(dá)式；
[0027]網(wǎng)頁信息提取子模塊，用于根據(jù)所確定的逆波蘭表達(dá)式，從目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息。
[0028]在本發(fā)明的一種具體實現(xiàn)方式中，所述表達(dá)式獲得模塊，具體用于根據(jù)用戶的輸入信息，獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式；或
[0029]具體用于根據(jù)預(yù)設(shè)的表達(dá)式生成規(guī)則，獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式；根據(jù)預(yù)設(shè)的運算式生成規(guī)則，獲得針對上述正則表達(dá)式的運算式。
[0030]在本發(fā)明的一種具體實現(xiàn)方式中，所述運算式中使用的運算符號為預(yù)定義的符號。
[0031]由以上可見，本發(fā)明實施例提供的方案中，獲得目標(biāo)網(wǎng)頁的源代碼后，獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式，并根據(jù)所獲得的正則表達(dá)式和運算式，從目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息。與現(xiàn)有技術(shù)相比，本發(fā)明實施例提供的方案中，由于運算式表達(dá)的是所獲得的正則表達(dá)式中的至少兩個正則表達(dá)式之間的邏輯運算關(guān)系和算術(shù)運算關(guān)系，經(jīng)該運算式變換后，相當(dāng)于在提取網(wǎng)頁信息時直接對所提取的網(wǎng)頁信息進(jìn)行了過濾處理，因此，能夠減少所提取的網(wǎng)頁信息中包含的冗余信息或者包含的錯誤信息，無需對所獲得的網(wǎng)頁信息進(jìn)行二次處理即可獲得較為精確的網(wǎng)頁信息，能夠提尚用戶體驗。
【附圖說明】
[0032]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0033]圖1為本發(fā)明實施例提供的一種網(wǎng)頁信息提取方法的流程示意圖；
[0034]圖2為本發(fā)明實施例提供的另一種網(wǎng)頁信息提取方法的流程示意圖；
[0035]圖3為本發(fā)明實施例提供的一種網(wǎng)頁信息提取裝置的結(jié)構(gòu)示意圖；
[0036]圖4為本發(fā)明實施例提供的另一種網(wǎng)頁信息提取裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0037]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例。基于本發(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。
[0038]圖1為本發(fā)明實施例提供的一種網(wǎng)頁信息提取方法的流程示意圖，該方法包括:
[0039]SlOl:獲得目標(biāo)網(wǎng)頁的源代碼。
[0040]網(wǎng)頁的源代碼一般是以超文本標(biāo)記語言(HyperText Mark-up Language，HTML)編寫的，由HTML命令組成，其中，HTML命令可用于說明文字、圖形、動畫、聲音、表格和鏈接等等。
[0041]S102:獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式。
[0042]上述的正則表達(dá)式，又稱正規(guī)表示法、常規(guī)表示法，屬于計算機(jī)科學(xué)的一個概念。正則表達(dá)式使用單個字符串來描述、匹配一系列符合某個句法規(guī)則的字符串。在很多文本編輯器里，正則表達(dá)式通常被用來檢索、替換那些符合某個模式的文本。如“〃~\d+$”，可以匹配所有的非負(fù)整數(shù)。
[0043]上述的運算式表達(dá)了所獲得的正則表達(dá)式中至少兩個正則表達(dá)式之間的邏輯運算關(guān)系和算術(shù)運算關(guān)系等，描述運算式所需要的運算符號可以是自定義的符號，也可以是已有的運算符號，本申請并不對此進(jìn)行限定。
[0044]其中，運算符號可以是算術(shù)運算符號、邏輯運算符號，也可以是關(guān)系運算符號等等。
[0045]具體的，獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式，可以是根據(jù)用戶的輸入信息，獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式和針對上述正則表達(dá)式的運算式；還可以是根據(jù)預(yù)設(shè)的表達(dá)式生成規(guī)則，獲得要提取的網(wǎng)頁信息的屬性對應(yīng)的正則表達(dá)式，并根據(jù)預(yù)設(shè)的運算式生成規(guī)則，獲得針對上述正則表達(dá)式的運算式。
[0046]S103:根據(jù)所獲得的正則表達(dá)式和運算式，從目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息。
[0047]一種具體實現(xiàn)方式中，根據(jù)所獲得的正則表達(dá)式和運算式，從目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息，可以先根據(jù)所獲得的正則表達(dá)和運算式，確定所獲得的正則表達(dá)式和運算式對應(yīng)的逆波蘭表達(dá)式，再根據(jù)所確定的逆波蘭表達(dá)式，從目標(biāo)網(wǎng)頁的源代碼中提取網(wǎng)頁信息。
[0048]在通常的表達(dá)式中，二元運算符總是置于與之相關(guān)的兩個運算對象之間，所以，這種表示法也稱為中綴表示。與上述的表示表達(dá)式的方式相對應(yīng)，波蘭邏輯學(xué)家J.Lukasiewicz于1929年提出了另一種表示表達(dá)式的方法，這種方法中，每一運算符都置于其運算對象之后，稱為后綴表示，以后綴表示法表示的表達(dá)式稱為逆波蘭表達(dá)式。逆波蘭表達(dá)式是一種十分有用的表達(dá)式，它將復(fù)雜的表達(dá)式轉(zhuǎn)換為可以依靠簡單的操作得到計算結(jié)果的表達(dá)式，例如，通常的表達(dá)式:(a+b)*(c+d)轉(zhuǎn)換為逆波蘭表達(dá)式為:ab+cd+*。
[0049]運算式表達(dá)了所獲得的正則表達(dá)式中至少兩個正則表達(dá)式之間的邏輯運算關(guān)系和算術(shù)運算關(guān)系，下面通過幾個具體實例說明運算式與正則表達(dá)式之間的關(guān)系。
[0050]實例一:運算式表示對若干個正則表達(dá)式的結(jié)果的合并操作。
[0051]假設(shè)，根據(jù)正則表達(dá)式I從目標(biāo)網(wǎng)頁的源代碼中獲得的網(wǎng)頁信息為“5”，根據(jù)正則表達(dá)式2從目標(biāo)網(wǎng)頁的源代碼中獲得的網(wǎng)頁信息為“4”，則經(jīng)過本實例中的運算式規(guī)定的合并操作處理后，得“9”。
[0052]本實例中的合并操作運算符可以用“ + ”表示，當(dāng)然，也可以以用戶自定義的其他符號表不。
[0053]實例二:運算式表示對若干個正則表達(dá)式的結(jié)果的“或”操作。
[0054]假設(shè)，根據(jù)正則表達(dá)式3從目標(biāo)網(wǎng)頁的源代碼中獲得的網(wǎng)頁信息為“abc”，根據(jù)正則表達(dá)式4從目標(biāo)網(wǎng)頁的源代碼中獲得的網(wǎng)頁信息為“cde”，則經(jīng)過本實例中的運算式規(guī)定的“或”操