一种页面资源结构化的方法和装置
基本信息
| 申请号 | CN201510100103.X | 申请日 | - |
| 公开（公告）号 | CN105989178A | 公开（公告）日 | 2016-10-05 |
| 申请公布号 | CN105989178A | 申请公布日 | 2016-10-05 |
| 分类号 | G06F17/30(2006.01)I | 分类 | 计算；推算；计数; |
| 发明人 | 施宏俊;周建宝;胡大卫;贾立群;段学俭;周怡;刘懿;吴弃疾;翁志轩;何勇;杨文华;谢冬华;朱丹瑾;陈力勇;易英华;张少杰;程艳 | 申请（专利权）人 | 上海世纪出版股份有限公司 |
| 代理机构 | - | 代理人 | - |
| 地址 | 200235 上海市钦州南路81号 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 本发明提供了一种页面资源结构化的方法和装置，其包括创建网页内容抓取模块，获取网页对应的html文件；定义Schema文件用以规范结构化后生成的XML结果文档；建立标签映射文件，根据html标签，文字属性，段落属性建立与Schema所定义标签的映射。根据映射关系进行内容识别并生成对应的结构化文档，从而完成页面资源的结构化。传统的网页数据采集一般只涉及到网页元数据的采集，相对于传统的处理方法，该方法及装置能够快速、智能、准确地完成网页元数据及有效内容的采集，且将所采集的内容片段化，结构化，所涉及的内容相比传统方法更加全面，范围更广。 |
