【摘要】 本发明是一种基于页面分析的互联网信息发表时间提取方法，该方法首先访问互联网根据网站类型加载目标页面得到网页文本源码集合S；其次根据标签的正则表达式结合各个网站类型的关键字识别出集合S中的时间，进而进行时间提取。对于新闻类网站，在集合S中利用正则表达式识别出信息标题，利用时间出现在标题附近这一特点，在标题附近进行时间正则表达式匹配。本发明方法对于论坛信息时间的提取结合关键字与时间正则表达式，能够达到良好的准确率，对信息发表时间能快速准确的提取。该方法采集效率高，在采集过程中，占用网络资源小。 【专利类型】发明申请 【申请人】江苏金鸽网络科技有限公司 【申请人类型】企业 【申请人地址】222000 江苏省连云港市新浦区龙河大厦西塔楼(B座)7层706室 【申请人地区】中国 【申请人城市】连云港市 【申请人区县】海州区 【申请号】CN201210290557.4 【申请日】2012-08-16 【申请年份】2012 【公开公告号】CN103593360A 【公开公告日】2014-02-19 【公开公告年份】2014 【IPC分类号】G06F17/30 【发明人】陈宗华; 陈永江; 葛恒虎; 刘永超; 乔磊 【主权项内容】一种基于页面分析的互联网信息发表时间提取方法，其特征在于：首先访问互联网根据Url判断网站类型，加载目标页面得到网页文本源码集合S；其次对于新闻类网站根据标签的正则表达式识别出集合S中的标题行L，并为标题行L中的每个符号节点进行分割，得到最大标题长度；其具体步骤如下：A、根据Url判断网站类型，加载目标页面得到文本源码集合S；其操作步骤如下：A1、输入网页地址，根据Url的一般表示习惯，判断出网站类型；A2、输入网页地址，利用HttpClient获取原始HTML源码集合S；B、新闻类网站，识别并标记集合S中的标题行L，并匹配时间；其操作步骤如下：B1、依据正则匹配文本源码集合S得到标题行L；B2、用标题行L中的符号对L进行分割，取到最大长度无符号标题T；B3、根据得到的标题T，在其500的字符内用时间正则表达式进行时间匹配；B4、如果匹配不到时间，找集合S中出现的下一个标题，转B3，如果无下一标题，则匹配失败；C、论坛类网站，根据关键字匹配时间；其操作步骤如下：C1、根据论坛发表时间关键字集合后10个字符内匹配时间正则表达式；C2、根据由C1生成的新的正则表达式，对集合S进行匹配；C3、若匹配到时间则成功，否则直接匹配时间格式，取最新时间；D、对于其它网站的时间匹配，其操作步骤如下：D1、对于贴吧，根据特有的关键字进行时间匹配；D2、对于微博，调用微博的API，进行时间提取；D3、对于其它网站，直接对S进行时间正则表达式匹配；至此，信息发表时间的自动提取结束。。： 【当前权利人】江苏金鸽网络科技有限公司 【当前专利权人地址】江苏省连云港市新浦区龙河大厦西塔楼(B座)7层706室 【专利权人类型】有限责任公司(自然人投资或控股) 【统一社会信用代码】91320700138973446P 【引证次数】3.0 【被引证次数】6 【他引次数】3.0 【被他引次数】6.0 【家族引证次数】3.0 【家族被引证次数】6

未经允许不得转载：http://www.zhongzhencnc.com/1790850092.html