CN109885610A - 一种结构化数据的抽取方法、装置、电子设备及存储介质 - Google Patents
一种结构化数据的抽取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN109885610A CN109885610A CN201910115453.1A CN201910115453A CN109885610A CN 109885610 A CN109885610 A CN 109885610A CN 201910115453 A CN201910115453 A CN 201910115453A CN 109885610 A CN109885610 A CN 109885610A
- Authority
- CN
- China
- Prior art keywords
- information source
- resolved
- node
- current
- template
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种结构化数据的抽取方法、装置、电子设备及存储介质。所述方法包括:获取当前信息源类型对应的至少一个待解析信息源;根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前抽取模版;通过所述至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。不仅可以提高结构化数据的抽取效率,还可以节省结构化数据的抽取成本。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种结构化数据的抽取方法、装置、电子设备及存储介质。
背景技术
在信息社会,数据可以被划分为两大类:一类数据是能够用数字或者统一的结构加以表示,这类数据被称之为结构化数据,如数字、符号等;结构化数据也称作行数据,是由二维表结构来逻辑表达和实现的数据,严格地遵循数据格式与长度规范,主要通过关系型数据库进行存储和管理。而另一类数据是无法用数字或者统一的结构加以表示,如文本、图像、声音、网页等,这类数据被称之为非结构化数据。
知识图谱的构建、垂类产品的建设等都需要海量的结构化数据,而这些结构化数据绝大部分都是通过网页展示给用户的。现有的结构化数据的抽取方法包括以下两种:第一、通过商业运营的方式抽取;该方法要求信息源站点按照数据规范直接提供结构化数据。由于目前物联网上的站点很多,采用这种方法不能获取到所有的结构化数据,而且通过商业运营的方式抽取数据的成本很高。第二、通过编写程序的方式抽取。该方法采用人工方式针对每个信息源编写一个抽取程序,通过编写程序的方式抽取数据的效率很低,而且一旦信息源发生变化,修改抽取程序的代价也是比较高的。
发明内容
有鉴于此,本发明实施例提供一种结构化数据的抽取方法、装置、电子设备及存储介质,不仅可以提高结构化数据的抽取效率,还可以节省结构化数据的抽取成本。
第一方面,本发明实施例提供了一种结构化数据的抽取方法,所述方法包括:
获取当前信息源类型对应的至少一个待解析信息源;
根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前抽取模版;
通过所述至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。
在上述实施例中,所述获取当前信息源类型对应的至少一个待解析信息源,包括:
获取当前用户输入的所述至少一个待解析信息源的标识;
根据所述至少一个待解析信息源的标识获取所述当前信息源类型对应的至少一个待解析信息源。
在上述实施例中,所述根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前抽取模版,包括:
根据所述当前信息源类型在预先设置的模板库中查找所述至少一个待解析信息源对应的当前抽取模版;
若在所述预先设置的模板库中查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中获取所述至少一个待解析信息源对应的当前抽取模版;
若在所述预先设置的模板库中未查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
在上述实施例中,所述在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版,包括:
根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前模板结构;
获取所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息;
根据所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
在上述实施例中,所述配置节点包括:定义define节点、定位locate节点、动作action节点和条件if节点;所述define节点对应的属性信息至少包括:默认属性信息;所述locate节点对应的属性信息至少包括:路径path属性信息和定位类型locate_type属性信息;所述action节点对应的属性信息至少包括:动作类型action_type属性信息和名称name属性信息;所述if节点对应的属性信息至少包括:节点测试node_test属性信息、节点路径的正则表达式的属性信息和对象属性信息。
第二方面,本发明实施例提供了一种结构化数据的抽取装置,所述装置包括:获取模块、确定模块和抽取模块;其中,
所述获取模块,用于获取当前信息源类型对应的至少一个待解析信息源;
所述确定模块,用于根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前抽取模版;
所述抽取模块,用于通过所述至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。
在上述实施例中,所述获取模块,具体用于获取当前用户输入的所述至少一个待解析信息源的标识;根据所述至少一个待解析信息源的标识获取所述当前信息源类型对应的至少一个待解析信息源。
在上述实施例中,所述确定模块包括:查找子模块和确定子模块;其中,
所述查找子模块,用于根据所述当前信息源类型在预先设置的模板库中查找所述至少一个待解析信息源对应的当前抽取模版;
所述确定子模块,用于若在所述预先设置的模板库中查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中获取所述至少一个待解析信息源对应的当前抽取模版;若在所述预先设置的模板库中未查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
在上述实施例中,所述确定子模块,具体用于根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前模板结构;获取所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息;根据所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
在上述实施例中,所述配置节点包括:define节点、locate节点、action节点和if节点;所述define节点对应的属性信息至少包括:默认属性信息;所述locate节点对应的属性信息至少包括:path属性信息和locate_type属性信息;所述action节点对应的属性信息至少包括:action_type属性信息和name属性信息;所述if节点对应的属性信息至少包括:node_test属性信息、节点路径的正则表达式的属性信息和对象属性信息。
第三方面,本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例所述的结构化数据的抽取方法。
第四方面,本发明实施例提供了一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例所述的结构化数据的抽取方法。
本发明实施例提出了一种结构化数据的抽取方法、装置、电子设备及存储介质,先获取当前信息源类型对应的至少一个待解析信息源;然后根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版;再通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。也就是说,在本发明的技术方案中,可以根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版;从而可以通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。而在现有的结构化数据的抽取方法中,通过商业运营的方式抽取;该方法要求信息源站点按照数据规范直接提供结构化数据。由于目前物联网上的站点很多,采用这种方法不能获取到所有的结构化数据,而且通过商业运营的方式抽取数据的成本很高。或者,通过编写程序的方式抽取。该方法采用人工方式针对每个信息源编写一个抽取程序,通过编写程序的方式抽取数据的效率很低,而且一旦信息源发生变化,修改抽取程序的代价也是比较高的。因此,和现有技术相比,本发明实施例提出的结构化数据的抽取方法、装置、电子设备及存储介质,不仅可以提高结构化数据的抽取效率,还可以节省结构化数据的抽取成本;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
附图说明
图1为本发明实施例一提供的结构化数据的抽取方法的流程示意图;
图2为本发明实施例二提供的结构化数据的抽取方法的流程示意图;
图3为本发明实施例三提供的结构化数据的抽取装置的第一结构示意图;
图4为本发明实施例三提供的结构化数据的抽取装置的第二结构示意图;
图5为本发明实施例四提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
图1为本发明实施例一提供的结构化数据的抽取方法的流程示意图,该方法可以由结构化数据的抽取装置或者电子设备来执行,该装置或者电子设备可以由软件和/或硬件的方式实现,该装置或者电子设备可以集成在任何具有网络通信功能的智能设备中。如图1所示,结构化数据的抽取方法可以包括以下步骤:
S101、获取当前信息源类型对应的至少一个待解析信息源。
在本发明的具体实施例中,电子设备可以获取当前信息源类型对应的至少一个待解析信息源。具体地,电子设备可以获取当前用户输入的至少一个待解析信息源的标识;然后根据至少一个待解析信息源的标识获取当前信息源类型对应的至少一个待解析信息源。具体地,电子设备可以获取当前用户在可视化配置平台中输入的至少一个待解析信息源的URL;然后根据至少一个待解析信息源的URL获取当前信息源类型对应的至少一个待解析信息源。例如,电子设备可以获取当前用户在可视化配置平台中输入的购物消费类的待解析信息源1的URL1、购物消费类的待解析信息源2的URL2、…、购物消费类的待解析信息源N的URL N;其中,N为大于等于1的自然数;然后电子设备可以根据购物消费类的待解析信息源1的URL1、购物消费类的待解析信息源2的URL2、…、购物消费类的待解析信息源N的URL N获取购物消费类的待解析信息源1、购物消费类的待解析信息源2、…、购物消费类的待解析信息源N。
需要说明的是,在本发明的具体实施例中,信息源可以是网页类型的信息源,也可以是非网页类型的信息源,在此不做任何限定。
S102、根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版。
在本发明的具体实施例中,电子设备可以根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版。电子设备可以根据当前信息源类型在预先设置的模板库中查找至少一个待解析信息源对应的当前抽取模版;其中,当前信息源类型包括但不限于以下类型:搜索引擎类的信息源、社交网站类的信息源、阅读分享类的信息源、娱乐游戏类的信息源以及购物消费类的信息源;若在预先设置的模板库中查找到至少一个待解析信息源对应的当前抽取模版,电子设备可以在预先设置的模板库中获取至少一个待解析信息源对应的当前抽取模版;若在预先设置的模板库中未查找到至少一个待解析信息源对应的当前抽取模版,电子设备可以在预先设置的模板库中创建至少一个待解析信息源对应的当前抽取模版。
S103、通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。
在本发明的具体实施例中,电子设备可以通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。例如,电子设备可以通过购物消费类的待解析信息源1、购物消费类的待解析信息源2、…、购物消费类的待解析信息源N对应的当前抽取模版抽取出购物消费类的待解析信息源1、购物消费类的待解析信息源2、…、购物消费类的待解析信息源N中的结构化数据。
本发明实施例提出的结构化数据的抽取方法,先获取当前信息源类型对应的至少一个待解析信息源;然后根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版;再通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。也就是说,在本发明的技术方案中,可以根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版;从而可以通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。而在现有的结构化数据的抽取方法中,通过商业运营的方式抽取;该方法要求信息源站点按照数据规范直接提供结构化数据。由于目前物联网上的站点很多,采用这种方法不能获取到所有的结构化数据,而且通过商业运营的方式抽取数据的成本很高。或者,通过编写程序的方式抽取。该方法采用人工方式针对每个信息源编写一个抽取程序,通过编写程序的方式抽取数据的效率很低,而且一旦信息源发生变化,修改抽取程序的代价也是比较高的。因此,和现有技术相比,本发明实施例提出的结构化数据的抽取方法,不仅可以提高结构化数据的抽取效率,还可以节省结构化数据的抽取成本;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例二
图2为本发明实施例二提供的结构化数据的抽取方法的流程示意图。如图2所示,结构化数据的抽取方法可以包括以下步骤:
S201、获取当前用户输入的至少一个待解析信息源的标识。
在本发明的具体实施例中,电子设备可以获取当前用户输入的至少一个待解析信息源的标识。具体地,电子设备可以获取当前用户在可视化配置平台中输入的至少一个待解析信息源的URL。例如,电子设备可以获取当前用户在可视化配置平台中输入的购物消费类的待解析信息源1的URL1、购物消费类的待解析信息源2的URL2、…、购物消费类的待解析信息源N的URL N;其中,N为大于等于1的自然数。
S202、根据至少一个待解析信息源的标识获取当前信息源类型对应的至少一个待解析信息源。
在本发明的具体实施例中,电子设备可以根据至少一个待解析信息源的标识获取当前信息源类型对应的至少一个待解析信息源。具体地,电子设备可以根据至少一个待解析信息源的URL获取当前信息源类型对应的至少一个待解析信息源。例如,电子设备可以根据购物消费类的待解析信息源1的URL1、购物消费类的待解析信息源2的URL2、…、购物消费类的待解析信息源N的URL N获取购物消费类的待解析信息源1、购物消费类的待解析信息源2、…、购物消费类的待解析信息源N。
S203、根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版。
在本发明的具体实施例中,根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版。电子设备可以根据当前信息源类型在预先设置的模板库中查找至少一个待解析信息源对应的当前抽取模版;其中,当前信息源类型包括但不限于以下类型:搜索引擎类的信息源、社交网站类的信息源、阅读分享类的信息源、娱乐游戏类的信息源以及购物消费类的信息源;若在预先设置的模板库中查找到至少一个待解析信息源对应的当前抽取模版,电子设备可以在预先设置的模板库中获取至少一个待解析信息源对应的当前抽取模版;若在预先设置的模板库中未查找到至少一个待解析信息源对应的当前抽取模版,电子设备可以在预先设置的模板库中创建至少一个待解析信息源对应的当前抽取模版。
具体地,在本发明的具体实施例中,电子设备可以根据当前信息源类型确定至少一个待解析信息源对应的当前模板结构;其中,当前模板结构包括但不限于以下类型:搜索引擎类的模板结构、社交网站类的模板结构、阅读分享类的模板结构、娱乐游戏类的模板结构以及购物消费类的模板结构;然后电子设备可以在可视化配置平台中获取当前模板结构对应的配置节点以及配置节点对应的属性信息;再根据当前模板结构对应的配置节点以及配置节点对应的属性信息,在预先设置的模板库中创建至少一个待解析信息源对应的当前抽取模版。
S204、通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。
在本发明的具体实施例中,电子设备可以通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。例如,电子设备可以通过购物消费类的待解析信息源1、购物消费类的待解析信息源2、…、购物消费类的待解析信息源N对应的当前抽取模版抽取出购物消费类的待解析信息源1、购物消费类的待解析信息源2、…、购物消费类的待解析信息源N中的结构化数据。
较佳地,在本发明的具体实施例中,配置节点包括:define节点、locate节点、action节点和if节点;define节点对应的属性信息至少包括:默认属性信息;locate节点对应的属性信息至少包括:path属性信息和locate_type属性信息;action节点对应的属性信息至少包括:action_type属性信息和name属性信息;if节点对应的属性信息至少包括:node_test属性信息、节点路径的正则表达式的属性信息和对象属性信息。
较佳地,在本发明的具体实施例中,locate节点对应的属性信息还可以包括:节点遍历node_traversal属性信息和联合combine属性信息;action节点对应的属性信息还可以包括:附加append属性信息、连接符connector属性信息、节点类型node_type、替换来源replace_from属性信息、替换到达replace_to属性信息、主键key属性信息、分离符separator属性信息、正则表达式regex属性信息;if节点对应的属性信息还可以包括:可变测试variable_test属性信息和可变值variable_value属性信息。
本发明实施例提出的结构化数据的抽取方法,先获取当前信息源类型对应的至少一个待解析信息源;然后根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版;再通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。也就是说,在本发明的技术方案中,可以根据当前信息源类型确定至少一个待解析信息源对应的当前抽取模版;从而可以通过至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。而在现有的结构化数据的抽取方法中,通过商业运营的方式抽取;该方法要求信息源站点按照数据规范直接提供结构化数据。由于目前物联网上的站点很多,采用这种方法不能获取到所有的结构化数据,而且通过商业运营的方式抽取数据的成本很高。或者,通过编写程序的方式抽取。该方法采用人工方式针对每个信息源编写一个抽取程序,通过编写程序的方式抽取数据的效率很低,而且一旦信息源发生变化,修改抽取程序的代价也是比较高的。因此,和现有技术相比,本发明实施例提出的结构化数据的抽取方法,不仅可以提高结构化数据的抽取效率,还可以节省结构化数据的抽取成本;并且,本发明实施例的技术方案实现简单方便、便于普及,适用范围更广。
实施例三
图3为本发明实施例三提供的结构化数据的抽取装置的第一结构示意图。如图3所示,本发明实施例所述的结构化数据的抽取装置可以包括:获取模块301、确定模块302和抽取模块303;其中,
所述获取模块301,用于获取当前信息源类型对应的至少一个待解析信息源;
所述确定模块302,用于根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前抽取模版;
所述抽取模块303,用于通过所述至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。
进一步的,所述获取模块301,具体用于获取当前用户输入的所述至少一个待解析信息源的标识;根据所述至少一个待解析信息源的标识获取所述当前信息源类型对应的至少一个待解析信息源。
图4为本发明实施例三提供的结构化数据的抽取装置的第二结构示意图。如图4所示,所述确定模块302包括:查找子模块3021和确定子模块3022;其中,
所述查找子模块3021,用于根据所述当前信息源类型在预先设置的模板库中查找所述至少一个待解析信息源对应的当前抽取模版;
所述确定子模块3022,用于若在所述预先设置的模板库中查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中获取所述至少一个待解析信息源对应的当前抽取模版;若在所述预先设置的模板库中未查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
进一步的,所述确定子模块3022,具体用于根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前模板结构;获取所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息;根据所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
进一步的,所述配置节点包括:define节点、locate节点、action节点和if节点;所述define节点对应的属性信息至少包括:默认属性信息;所述locate节点对应的属性信息至少包括:path属性信息和locate_type属性信息;所述action节点对应的属性信息至少包括:action_type属性信息和name属性信息;所述if节点对应的属性信息至少包括:node_test属性信息、节点路径的正则表达式的属性信息和对象属性信息。
上述结构化数据的抽取装置可执行本发明任意实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明任意实施例提供的结构化数据的抽取方法。
实施例四
图5为本发明实施例四提供的电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备的框图。图5显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的结构化数据的抽取方法。
实施例五
本发明实施例五提供了一种计算机存储介质。
本发明实施例的计算机可读存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (12)
1.一种结构化数据的抽取方法,其特征在于,所述方法包括:
获取当前信息源类型对应的至少一个待解析信息源;
根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前抽取模版;
通过所述至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。
2.根据权利要求1所述的方法,其特征在于,获取当前信息源类型对应的至少一个待解析信息源,包括:
获取当前用户输入的所述至少一个待解析信息源的标识;
根据所述至少一个待解析信息源的标识获取所述当前信息源类型对应的至少一个待解析信息源。
3.根据权利要求2所述的方法,其特征在于,根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前抽取模版,包括:
根据所述当前信息源类型在预先设置的模板库中查找所述至少一个待解析信息源对应的当前抽取模版;
若在所述预先设置的模板库中查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中获取所述至少一个待解析信息源对应的当前抽取模版;
若在所述预先设置的模板库中未查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
4.根据权利要求3所述的方法,其特征在于,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版,包括:
根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前模板结构;
获取所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息;
根据所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
5.根据权利要求4所述的方法,其特征在于,所述配置节点包括:定义define节点、定位locate节点、动作action节点和条件if节点;所述define节点对应的属性信息至少包括:默认属性信息;所述locate节点对应的属性信息至少包括:路径path属性信息和定位类型locate_type属性信息;所述action节点对应的属性信息至少包括:动作类型action_type属性信息和名称name属性信息;所述if节点对应的属性信息至少包括:节点测试node_test属性信息、节点路径的正则表达式的属性信息和对象属性信息。
6.一种结构化数据的抽取装置,其特征在于,所述装置包括:获取模块、确定模块和抽取模块;其中,
所述获取模块,用于获取当前信息源类型对应的至少一个待解析信息源;
所述确定模块,用于根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前抽取模版;
所述抽取模块,用于通过所述至少一个待解析信息源对应的当前抽取模版抽取出各个待解析信息源中的结构化数据。
7.根据权利要求6所述的装置,其特征在于:
所述获取模块,具体用于获取当前用户输入的所述至少一个待解析信息源的标识;根据所述至少一个待解析信息源的标识获取所述当前信息源类型对应的至少一个待解析信息源。
8.根据权利要求7所述的装置,其特征在于,所述确定模块包括:查找子模块和确定子模块;其中,
所述查找子模块,用于根据所述当前信息源类型在预先设置的模板库中查找所述至少一个待解析信息源对应的当前抽取模版;
所述确定子模块,用于若在所述预先设置的模板库中查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中获取所述至少一个待解析信息源对应的当前抽取模版;若在所述预先设置的模板库中未查找到所述至少一个待解析信息源对应的当前抽取模版,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
9.根据权利要求8所述的装置,其特征在于:
所述确定子模块,具体用于根据所述当前信息源类型确定所述至少一个待解析信息源对应的当前模板结构;获取所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息;根据所述当前模板结构对应的配置节点以及所述配置节点对应的属性信息,在所述预先设置的模板库中创建所述至少一个待解析信息源对应的当前抽取模版。
10.根据权利要求9所述的装置,其特征在于,所述配置节点包括:define节点、locate节点、action节点和if节点;所述define节点对应的属性信息至少包括:默认属性信息;所述locate节点对应的属性信息至少包括:path属性信息和locate_type属性信息;所述action节点对应的属性信息至少包括:action_type属性信息和name属性信息;所述if节点对应的属性信息至少包括:node_test属性信息、节点路径的正则表达式的属性信息和对象属性信息。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一项所述的结构化数据的抽取方法。
12.一种存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至5中任一项所述的结构化数据的抽取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910115453.1A CN109885610A (zh) | 2019-02-13 | 2019-02-13 | 一种结构化数据的抽取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910115453.1A CN109885610A (zh) | 2019-02-13 | 2019-02-13 | 一种结构化数据的抽取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109885610A true CN109885610A (zh) | 2019-06-14 |
Family
ID=66928237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910115453.1A Pending CN109885610A (zh) | 2019-02-13 | 2019-02-13 | 一种结构化数据的抽取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109885610A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581269A (zh) * | 2020-04-24 | 2020-08-25 | 贵州力创科技发展有限公司 | 一种数据抽取方法和装置 |
CN111597205A (zh) * | 2020-05-26 | 2020-08-28 | 北京金堤科技有限公司 | 模板配置方法、信息提取方法、装置以及电子设备、介质 |
WO2022001924A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 构建知识图谱的方法、装置及系统、计算机存储介质 |
CN114513553A (zh) * | 2022-02-16 | 2022-05-17 | 北京恒安嘉新安全技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561802A (zh) * | 2008-04-18 | 2009-10-21 | 上海复旦光华信息科技股份有限公司 | 网页结构化数据提取方法与系统 |
CN102436408A (zh) * | 2011-10-10 | 2012-05-02 | 上海交通大学 | 基于Map/Dedup的数据存储云化和云备份方法 |
CN104199975A (zh) * | 2014-09-23 | 2014-12-10 | 中国南方电网有限责任公司 | 一种基于可配置的word文档结构化提取方法 |
CN108694208A (zh) * | 2017-04-11 | 2018-10-23 | 富士通株式会社 | 用于构造数据库的方法和装置 |
-
2019
- 2019-02-13 CN CN201910115453.1A patent/CN109885610A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561802A (zh) * | 2008-04-18 | 2009-10-21 | 上海复旦光华信息科技股份有限公司 | 网页结构化数据提取方法与系统 |
CN102436408A (zh) * | 2011-10-10 | 2012-05-02 | 上海交通大学 | 基于Map/Dedup的数据存储云化和云备份方法 |
CN104199975A (zh) * | 2014-09-23 | 2014-12-10 | 中国南方电网有限责任公司 | 一种基于可配置的word文档结构化提取方法 |
CN108694208A (zh) * | 2017-04-11 | 2018-10-23 | 富士通株式会社 | 用于构造数据库的方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581269A (zh) * | 2020-04-24 | 2020-08-25 | 贵州力创科技发展有限公司 | 一种数据抽取方法和装置 |
CN111581269B (zh) * | 2020-04-24 | 2023-06-20 | 贵州力创科技发展有限公司 | 一种数据抽取方法和装置 |
CN111597205A (zh) * | 2020-05-26 | 2020-08-28 | 北京金堤科技有限公司 | 模板配置方法、信息提取方法、装置以及电子设备、介质 |
CN111597205B (zh) * | 2020-05-26 | 2024-02-13 | 北京金堤科技有限公司 | 模板配置方法、信息提取方法、装置以及电子设备、介质 |
WO2022001924A1 (zh) * | 2020-06-30 | 2022-01-06 | 华为技术有限公司 | 构建知识图谱的方法、装置及系统、计算机存储介质 |
CN114513553A (zh) * | 2022-02-16 | 2022-05-17 | 北京恒安嘉新安全技术有限公司 | 一种数据处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885610A (zh) | 一种结构化数据的抽取方法、装置、电子设备及存储介质 | |
US11244011B2 (en) | Ingestion planning for complex tables | |
US20180196643A1 (en) | Generating web api specification from online documentation | |
JP5148612B2 (ja) | 永続保存ポータル | |
US10303689B2 (en) | Answering natural language table queries through semantic table representation | |
CN108519967A (zh) | 图表可视化方法、装置、终端和存储介质 | |
US20140123303A1 (en) | Dynamic data masking | |
CN110427586A (zh) | 一种页面显示方法、装置、设备及存储介质 | |
US20170147655A1 (en) | Personalized highlighter for textual media | |
CN108319586A (zh) | 一种信息提取规则的生成和语义解析方法及装置 | |
CN110704608A (zh) | 文本主题生成方法、装置和计算机设备 | |
CN109960554A (zh) | 展示阅读内容的方法、设备和计算机存储介质 | |
US11068664B2 (en) | Generating comment excerpts within an online publication | |
CN110377371B (zh) | 一种基于Web标签的样式表系统管理方法 | |
US20160062748A1 (en) | Embedded domain specific languages as first class code artifacts | |
CN113687827B (zh) | 基于微件的数据列表生成方法、装置、设备及存储介质 | |
CN110275735A (zh) | 一种界面配置方法、装置、终端和存储介质 | |
CN105868113B (zh) | 字符串查找方法及装置 | |
CN109800273A (zh) | 一种数据处理的方法、装置、计算机存储介质及终端 | |
CN109241164A (zh) | 一种数据处理方法、装置、服务器及存储介质 | |
US11144310B2 (en) | Span limited lexical analysis | |
CN111723177B (zh) | 信息提取模型的建模方法、装置及电子设备 | |
CN114115908A (zh) | 一种指令集生成、程序解析方法装置、设备以及存储介质 | |
CN107729499A (zh) | 信息处理方法、介质、系统和电子设备 | |
CN115248881A (zh) | 网页输入信息的渲染方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |