CN111061971B - 用于抽取信息的方法和装置 - Google Patents
用于抽取信息的方法和装置 Download PDFInfo
- Publication number
- CN111061971B CN111061971B CN201911290732.8A CN201911290732A CN111061971B CN 111061971 B CN111061971 B CN 111061971B CN 201911290732 A CN201911290732 A CN 201911290732A CN 111061971 B CN111061971 B CN 111061971B
- Authority
- CN
- China
- Prior art keywords
- extracted
- page
- webpage
- extraction
- asynchronous request
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本申请实施例公开了用于抽取信息的方法和装置。该方法的一具体实施方式包括:接收待抽取网页的统一资源定位符;基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面;对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。该实施方式通过结合同步渲染页面和异步请求结果页面进行信息抽取,保证了提取信息的完整性,从而提高了抽取信息的准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于抽取信息的方法和装置。
背景技术
随着互联网的普及,越来越多的信息以网页的形式出现在人们面前。为了帮助人们在海量信息中迅速找到真正所需要的信息,应对信息爆炸带来的严峻挑战,迫切需要借助计算机帮助人们从这些数据中准确提取出有用的信息。网络信息抽取是以网络作为信息来源的信息抽取方式,从网页的无结构或半结构信息中抽取用户感兴趣的内容,转化为易于阅读和理解的格式,是信息能够被进一步分析和处理的基础。
目前,网络信息抽取技术是对网页的同步渲染页面进行解析抽取的,普遍采用如下4种方案:
其一,基于包装器等内容抽取算法,预先针对一种特定的网页信息源通过已有编程语言配置抽取规则,这些包装器使用的技术可以包括但不限于正则表达式、Xpath(可扩展标记语言路径语言)等。然而包装器配置需要投入一定的人力成本,需要一定的相关领域专业知识,而且配置过程也较容易出错,导致抽取信息的准确度降低。
其二,基于机器学习的内容抽取算法,主要是利用网页的结构、语言学等特征,在人工标注的数据集上进行训练,根据训练出的分类模型,区分网页中的主要内容和噪声数据,其中,常用的算法可以包括但不限于SVM(Support Vector Machine,支持向量机)、nlp(Natural Language Processing,自然语言处理)等。然而,依赖大量的人工标记的训练数据集和领域专业知识来生成分类规则,因而难以推广使用,而且往往准确率不高。
其三,基于统计理论的内容抽取算法,是一种基于统计规律和启发式规则的内容提取算法,比如基于文本密度的BTE(Body Text Extraction,正文抽取)算法,基于网页链接与文本比率的LQF(Longest Queue First最长队列优先)算法等。然而,由于页面内容以及结构等复杂性,导致抽取准确率相对较低。
其四,基于视觉信息的内容抽取算法,基于用户视觉心理的研究,利用网页的视觉特征,根据一些启发式规则,首先将网页分块,对不同的分块赋予相应的权重,然后进行删除、合并操作,最终确定网页的核心内容,其中具有代表性的是VIPS(Vision-based PageSegmentation,基于视觉信息的网页分块)算法。然而,由于页面设计的复杂性和不规范性,导致了视觉特征的复杂性和不确定性,而且这种方式的实现过程仍然较为繁琐也具有一定难度。
发明内容
本申请实施例提出了用于抽取信息的方法和装置。
第一方面,本申请实施例提出了一种用于抽取信息的方法,包括:接收待抽取网页的统一资源定位符;基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面;对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
在一些实施例中,获取待抽取网页的同步渲染页面和异步请求结果页面,包括:利用网络爬虫对待抽取网页进行抓取,得到待抽取网页的同步渲染页面和异步请求结果页面。
在一些实施例中,对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据,包括:确定待抽取网页所属的网站对应的抽取模板;基于待抽取网页所属的网站对应的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
在一些实施例中,在基于待抽取网页所属的网站对应的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据之后,还包括:对待抽取网页的结构化数据进行准确性校验,得到准确性校验结果;基于准确性校验结果确定是否对待抽取网页所属的网站对应的抽取模板重新配置。
在一些实施例中,该方法还包括:若通过准确性校验,将待抽取网页的结构化数据存储在抽取结果数据库中;若未通过准确性校验,获取待抽取网页所属的网站对应的重新配置的抽取模板,基于重新配置的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的最新结构化数据,以及将待抽取网页的最新结构化数据存储在抽取结果数据库中。
在一些实施例中,准确性校验包括以下至少一项:校验是否提取到数据;校验提取到的数据的类型是否正确;校验抽取到的数据的编码格式是否正确;校验网页的原始数据和抽取到的数据的匹配度。
在一些实施例中,抽取模板是终端设备通过如下步骤配置的:对同一网站的模板网页的模板同步渲染页面和模板异步请求结果页面,以及配置调试页面分区显示;响应于选取模板同步渲染页面和/或模板异步请求结果页面的至少部分区域,将所选取的区域中的内容在配置调试页面中进行展示;响应于选取配置调试页面中的字段,基于所选取的字段对展示内容进行抽取,生成该网站对应的抽取模板。
在一些实施例中,待抽取网页包括一个同步渲染页面和多个异步请求结果页面,待抽取网页的同步渲染页面是HTML页面,待抽取网页的异步请求结果页面是JSON页面。
第二方面,本申请实施例提出了一种用于抽取信息的装置,包括:接收单元,被配置成接收待抽取网页的统一资源定位符;获取单元,被配置成基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面;抽取单元,被配置成对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
在一些实施例中,获取单元进一步被配置成:利用网络爬虫对待抽取网页进行抓取,得到待抽取网页的同步渲染页面和异步请求结果页面。
在一些实施例中,抽取单元包括:第一确定子单元,被配置成确定待抽取网页所属的网站对应的抽取模板;抽取子单元,被配置成基于待抽取网页所属的网站对应的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
在一些实施例中,抽取单元还包括:校验子单元,被配置成对待抽取网页的结构化数据进行准确性校验,得到准确性校验结果;第二确定子单元,被配置成基于准确性校验结果确定是否对待抽取网页所属的网站对应的抽取模板重新配置。
在一些实施例中,抽取单元还包括:存储子单元,被配置成若通过准确性校验,将待抽取网页的结构化数据存储在抽取结果数据库中;重配置子单元,被配置成若未通过准确性校验,获取待抽取网页所属的网站对应的重新配置的抽取模板,基于重新配置的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的最新结构化数据,以及将待抽取网页的最新结构化数据存储在抽取结果数据库中。
在一些实施例中,准确性校验包括以下至少一项:校验是否提取到数据;校验提取到的数据的类型是否正确;校验抽取到的数据的编码格式是否正确;校验网页的原始数据和抽取到的数据的匹配度。
在一些实施例中,抽取模板是终端设备通过如下步骤配置的:对同一网站的模板网页的模板同步渲染页面和模板异步请求结果页面,以及配置调试页面分区显示;响应于选取模板同步渲染页面和/或模板异步请求结果页面的至少部分区域,将所选取的区域中的内容在配置调试页面中进行展示;响应于选取配置调试页面中的字段,基于所选取的字段对展示内容进行抽取,生成该网站对应的抽取模板。
在一些实施例中,待抽取网页包括一个同步渲染页面和多个异步请求结果页面,待抽取网页的同步渲染页面是HTML页面,待抽取网页的异步请求结果页面是JSON页面。
第三方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于抽取信息的方法和装置,首先接收待抽取网页的统一资源定位符;然后基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面;最后对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。通过结合同步渲染页面和异步请求结果页面进行信息抽取,保证了提取信息的完整性,从而提高了抽取信息的准确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构;
图2是根据本申请的用于抽取信息的方法的一个实施例的流程图;
图3是根据本申请的用于抽取信息的方法的又一个实施例的流程图;
图4是可视化配置工具的示意图;
图5是根据本申请的用于抽取信息的装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请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相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于提取信息的方法或用于提取信息的装置的实施例的示例性系统架构100。
如图1所示,系统架构100中可以包括终端设备101、网络102和服务器103。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101通过网络102与服务器103交互,以接收或发送消息等。终端设备101上可以安装有各种通讯客户端应用,例如网页浏览类应用等。
终端设备101可以是硬件,也可以是软件。当终端设备101为硬件时,可以是各种电子设备。包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器103可以提供各种服务。例如服务器103可以对从终端设备101获取到的待抽取网页的统一资源定位符等数据进行分析等处理,并生成处理结果(例如待抽取网页的结构化数据)。
需要说明的是,服务器103可以是硬件,也可以是软件。当服务器103为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器103为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本申请实施例所提供的用于抽取信息的方法一般由服务器103执行,相应地,用于抽取信息的装置一般设置于服务器103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于抽取信息的方法的一个实施例的流程200。该用于抽取信息的方法包括以下步骤:
步骤201,接收待抽取网页的统一资源定位符。
在本实施例中,用于抽取信息的方法的执行主体(例如图1所示的服务器103)可以接收待抽取网页的URL(Uniform Resource Locator,统一资源定位符)。
通常,终端设备(例如图1所示的终端设备101)上安装有浏览器,用户可以在浏览器中输入待抽取网页的URL,浏览器可以将输入待抽取网页的URL提交至上述执行主体。
步骤202,基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面。
在本实施例中,上述执行主体可以基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面。可选地,抽取的同步渲染页面和异步请求结果页面可以随后保存在抓取结果数据库中。
通常,用户在浏览器中输入待抽取网页的URL后,浏览器除了根据HTML(HyperText Markup Language,超文本标记语言)代码渲染页面,往往还会发送异步请求,以实现异步更新。其中,同步渲染页面就是浏览器根据用户输入的URL获取到的HTML代码渲染的页面。异步请求结果页面就是在渲染页面的过程中发送异步请求而获取到的结果。一个网页中的动态信息往往是通过异步请求的结果进行填充的。也就是说,一些互动信息、作者信息往往隐藏在异步请求的结果中。
在本实施例的一些可选的实现方式中,上述执行主体可以利用网络爬虫对待抽取网页进行抓取,得到待抽取网页的同步渲染页面和异步请求结果页面。
在本实施例的一些可选的实现方式中,待抽取网页通常会包括一个同步渲染页面和多个异步请求结果页面。待抽取网页的同步渲染页面可以是HTML页面。待抽取网页的异步请求结果页面可以是JSON页面。
步骤203,对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
在本实施例中,上述执行主体可以对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。可选地,待抽取网页的结构化数据可以随后存储在抽取结果数据库中。其中,待抽取网页的结构化数据可以是待抽取网页中的有用信息,这些有用信息以结构化形式存在。
这里,网页抓取结果可以示例如下:
其中,url为需要抓取的网页的url,content是抓取结果,type字段用于区分页面类型,page表示同步渲染页面,一般是HTML页面,ajax表示异步请求结果页面,一般为JSON页面。通常,在抓取结果中,page类型的页面只有一个,ajax请求可以有多个。
本申请实施例提供的用于抽取信息的方法,首先接收待抽取网页的统一资源定位符;然后基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面;最后对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。通过结合同步渲染页面和异步请求结果页面进行信息抽取,保证了提取信息的完整性,从而提高了抽取信息的准确度。
进一步参考图3,其示出了根据本申请的用于抽取信息的方法的又一个实施例的流程300。该用于抽取信息的方法包括以下步骤:
步骤301,接收待抽取网页的统一资源定位符。
步骤302,基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面。
在本实施例中,步骤301-302的具体操作已在图2所示的实施例中步骤201-202中进行了详细的介绍,在此不再赘述。
步骤303,确定待抽取网页所属的网站对应的抽取模板。
在本实施例中,用于抽取信息的方法的执行主体可以确定待抽取网页所属的网站对应的抽取模板。其中,网站对应抽取模板一一对应。
通常,同一网站中的网页的格式往往由数量很少的固定模板承载,各个页面拥有相似的结构,即使网页内容可能会更新,但是其结构却相对稳定,因此同一网站中的网页可以对应同一个抽取模板。此外,同一网站中的页面对应同一抽取模板,大大降低了抽取模板的配置工作量。
在本实施例的一些可选的实现方式中,抽取模板可以是终端设备通过如下步骤配置的:
首先,对同一网站的模板网页的模板同步渲染页面和模板异步请求结果页面,以及配置调试页面分区显示。通常,同一网站中的网页拥有相似的结构,因此同一网站上的任意网页均可以作为该网站的模板网页。
然后,响应于选取模板同步渲染页面和/或模板异步请求结果页面的至少部分区域,将所选取的区域中的内容在配置调试页面中进行展示。
最后,响应于选取配置调试页面中的字段,基于所选取的字段对展示内容进行抽取,生成该网站对应的抽取模板。
通常,终端设备上安装有可视化配置工具,模板同步渲染页面、模板异步请求结果页面和配置调试页面可以在可视化配置工具上分区显示。可视化配置工具可以降低配置复杂度,提高抽取模板的配置效率。
为了便于理解,图4示出了可视化配置工具的示意图。如图4所示,可视化配置工具共分为三个区域,左侧区域是模板同步渲染页面的展示区,中间区域是模板异步请求结果页面的展示区,右侧区域是配置调试页面的展示区。用户通过鼠标在左侧区域和中间区域进行点选,以使右侧区域的上方区域展示所点选的内容。通常,用户在左侧区域中点选的内容会被虚线框包围,在中间区域中点选的内容会被半透明框包围。右侧区域的下方区域配置有大量抽取字段,用户点击需要抽取的字段对应的“填入”按钮,该字段对应的空白栏中会展示对应的抽取规则,需要抽取的字段对应的“填入”按钮全部点击后,将自动生成该网站对应的抽取模板。其中,图4中的可视化配置工具的抽取结果可以示例如下:
{
"title":"如何阻止视力频繁下降?",
"body":"最近几年,视力下降的人数越来越多...",
"publish_time":"1533097294",
"author_name":"轻食",
"like_num":38,
"images":[
"http://g.hiphotos.baidu.com/zhidao/wh%3D800%2C460%3B/sign=f9f88cbc291f95caa6a09abef927530a/58ee3d6d55fbb2fb2de4d1d0434a20a44723dc21.jpg"
]
}
步骤304,基于待抽取网页所属的网站对应的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
在本实施例中,上述执行主体可以基于待抽取网页所属的网站对应的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。具体地,上述执行主体可以按照抽取模板中的选取区域从待抽取网页上选取内容,并按照抽取模板中的选取字段从选取内容中抽取信息,得到待抽取网页的结构化数据。
步骤305,对待抽取网页的结构化数据进行准确性校验,得到准确性校验结果。
在本实施例中,上述执行主体可以对待抽取网页的结构化数据进行准确性校验,得到准确性校验结果。
实践中,虽然同一网站的网页结构相对固定,但是并非一成不变。随着需求迭代,同步渲染页面样式或异步请求结果页面结构会进行调整。如果同步渲染页面样式或异步请求结果页面结构调整,而对应的抽取模板没有进行相应调整,就很可能抽取不到期望的结果。可见,准确性校验的主要作用是通过对抽取结果进行准确性校验,及时发现问题,并重新配置对应的抽取模板,从而保证抽取信息的准确性。
在本实施例的一些可选的实现方式中,准确性校验可以包括但不限于以下至少一项:
1、校验是否提取到数据;
2、校验提取到的数据的类型是否正确;
3、校验抽取到的数据的编码格式是否正确;
4、校验网页的原始数据和抽取到的数据的匹配度。
其中,前3项通常是自动化检查,通过程序对抽取结果进行校验。后1项通常是人工复核,对网页的原始数据和收取到的数据进行人工比对。
步骤306,基于准确性校验结果确定是否对待抽取网页所属的网站对应的抽取模板重新配置。
在本实施例中,上述执行主体可以基于准确性校验结果确定是否对待抽取网页所属的网站对应的抽取模板重新配置。
通常,若通过准确性校验,则无需对待抽取网页所属的网站对应的抽取模板重新配置,若未通过准确性校验,则需要对待抽取网页所属的网站对应的抽取模板重新配置。
步骤307,将待抽取网页的结构化数据存储在抽取结果数据库中。
在本实施例中,若通过准确性校验,则无需要对待抽取网页所属的网站对应的抽取模板重新配置。此时,上述执行主体可以将待抽取网页的结构化数据存储在抽取结果数据库中。
步骤308,获取待抽取网页所属的网站对应的重新配置的抽取模板,基于重新配置的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的最新结构化数据,以及将待抽取网页的最新结构化数据存储在抽取结果数据库中。
在本实施例中,若未通过准确性校验,则需要对待抽取网页所属的网站对应的抽取模板重新配置。此时,终端设备可以重新配置待抽取网页所属的网站对应的抽取模板,并发送至上述执行主体。上述执行主体可以基于重新配置的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的最新结构化数据,以及将待抽取网页的最新结构化数据存储在抽取结果数据库中。
从图3中可以看出,与图2对应的实施例相比,本实施例中的用于抽取信息的方法的流程300突出了基于抽取模板抽取结构化数据的步骤。由此,本实施例描述的方案基于同一网站中的网页结构相似的特性,为每个网站配置一个抽取模板,大大降低了抽取模板的配置工作量。并且,利用所属的网站对应的抽取模板抽取结构化数据,提高了抽取信息的准确度。此外,通过准确性校验确定抽取模板是否需要重新配置,确保了抽取模板的及时更新,保证了抽取信息的准确性。
进一步参考图5,作为对上述各图所示的方法的实现,本申请提供了一种用于抽取信息的装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于抽取信息的装置500可以包括:接收单元501、获取单元502和抽取单元503。其中,接收单元501,被配置成接收待抽取网页的统一资源定位符;获取单元502,被配置成基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面;抽取单元503,被配置成对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
在本实施例中,用于抽取信息的装置500中:接收单元501、获取单元502和抽取单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,获取单元502进一步被配置成:利用网络爬虫对待抽取网页进行抓取,得到待抽取网页的同步渲染页面和异步请求结果页面。
在本实施例的一些可选的实现方式中,抽取单元503包括:第一确定子单元(图中未示出),被配置成确定待抽取网页所属的网站对应的抽取模板;抽取子单元(图中未示出),被配置成基于待抽取网页所属的网站对应的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
在本实施例的一些可选的实现方式中,抽取单元503还包括:校验子单元(图中未示出),被配置成对待抽取网页的结构化数据进行准确性校验,得到准确性校验结果;第二确定子单元(图中未示出),被配置成基于准确性校验结果确定是否对待抽取网页所属的网站对应的抽取模板重新配置。
在本实施例的一些可选的实现方式中,抽取单元503还包括:存储子单元(图中未示出),被配置成若通过准确性校验,将待抽取网页的结构化数据存储在抽取结果数据库中;重配置子单元(图中未示出),被配置成若未通过准确性校验,获取待抽取网页所属的网站对应的重新配置的抽取模板,基于重新配置的抽取模板对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的最新结构化数据,以及将待抽取网页的最新结构化数据存储在抽取结果数据库中。
在本实施例的一些可选的实现方式中,准确性校验包括以下至少一项:校验是否提取到数据;校验提取到的数据的类型是否正确;校验抽取到的数据的编码格式是否正确;校验网页的原始数据和抽取到的数据的匹配度。
在本实施例的一些可选的实现方式中,抽取模板是终端设备通过如下步骤配置的:对同一网站的模板网页的模板同步渲染页面和模板异步请求结果页面,以及配置调试页面分区显示;响应于选取模板同步渲染页面和/或模板异步请求结果页面的至少部分区域,将所选取的区域中的内容在配置调试页面中进行展示;响应于选取配置调试页面中的字段,基于所选取的字段对展示内容进行抽取,生成该网站对应的抽取模板。
在本实施例的一些可选的实现方式中,待抽取网页包括一个同步渲染页面和多个异步请求结果页面,待抽取网页的同步渲染页面是HTML页面,待抽取网页的异步请求结果页面是JSON页面。
下面参考图6,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器103)的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的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或者是上述两者的任意组合。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可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(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。在本申请中,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。而在本申请中,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申请的操作的计算机程序代码,所述程序设计语言包括面向目标的程序设计语言—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电子设备上执行。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)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括接收单元、获取单元和抽取单元。其中,这些单元的名称在种情况下并不构成对该单元本身的限定,例如,接收单元还可以被描述为“接收待抽取网页的统一资源定位符的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收待抽取网页的统一资源定位符;基于待抽取网页的统一资源定位符,获取待抽取网页的同步渲染页面和异步请求结果页面;对待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到待抽取网页的结构化数据。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于抽取信息的方法,包括:
接收待抽取网页的统一资源定位符;
基于所述待抽取网页的统一资源定位符,获取所述待抽取网页的同步渲染页面和异步请求结果页面;
对所述待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到所述待抽取网页的结构化数据;
其中,所述对所述待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到所述待抽取网页的结构化数据,包括:
确定所述待抽取网页所属的网站对应的抽取模板,其中,抽取模板是终端设备通过如下步骤配置的:对同一网站的模板网页的模板同步渲染页面和模板异步请求结果页面,以及配置调试页面分区显示;响应于选取所述模板同步渲染页面和/或模板异步请求结果页面的至少部分区域,将所选取的区域中的内容在所述配置调试页面中进行展示;响应于选取所述配置调试页面中的字段,基于所选取的字段对所述展示内容进行抽取,生成该网站对应的抽取模板;
基于所述待抽取网页所属的网站对应的抽取模板对所述待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到所述待抽取网页的结构化数据。
2.根据权利要求1所述的方法,其中,在所述基于所述待抽取网页所属的网站对应的抽取模板对所述待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到所述待抽取网页的结构化数据之后,还包括:
对所述待抽取网页的结构化数据进行准确性校验,得到准确性校验结果;
基于所述准确性校验结果确定是否对所述待抽取网页所属的网站对应的抽取模板重新配置。
3.根据权利要求2所述的方法,其中,所述方法还包括:
若通过准确性校验,将所述待抽取网页的结构化数据存储在抽取结果数据库中;
若未通过准确性校验,获取所述待抽取网页所属的网站对应的重新配置的抽取模板,基于所述重新配置的抽取模板对所述待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到所述待抽取网页的最新结构化数据,以及将所述待抽取网页的最新结构化数据存储在所述抽取结果数据库中。
4.根据权利要求2所述的方法,其中,准确性校验包括以下至少一项:
校验是否提取到数据;
校验提取到的数据的类型是否正确;
校验抽取到的数据的编码格式是否正确;
校验网页的原始数据和抽取到的数据的匹配度。
5.根据权利要求1-4之一所述的方法,其中,所述待抽取网页包括一个同步渲染页面和多个异步请求结果页面,所述待抽取网页的同步渲染页面是HTML页面,所述待抽取网页的异步请求结果页面是JSON页面。
6.一种用于抽取信息的装置,包括:
接收单元,被配置成接收待抽取网页的统一资源定位符;
获取单元,被配置成基于所述待抽取网页的统一资源定位符,获取所述待抽取网页的同步渲染页面和异步请求结果页面;
抽取单元,被配置成对所述待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到所述待抽取网页的结构化数据;
其中,所述抽取单元包括:
第一确定子单元,被配置成确定所述待抽取网页所属的网站对应的抽取模板,其中,抽取模板是终端设备通过如下步骤配置的:对同一网站的模板网页的模板同步渲染页面和模板异步请求结果页面,以及配置调试页面分区显示;响应于选取所述模板同步渲染页面和/或模板异步请求结果页面的至少部分区域,将所选取的区域中的内容在所述配置调试页面中进行展示;响应于选取所述配置调试页面中的字段,基于所选取的字段对所述展示内容进行抽取,生成该网站对应的抽取模板;
抽取子单元,被配置成基于所述待抽取网页所属的网站对应的抽取模板对所述待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到所述待抽取网页的结构化数据。
7.根据权利要求6所述的装置,其中,所述抽取单元还包括:
校验子单元,被配置成对所述待抽取网页的结构化数据进行准确性校验,得到准确性校验结果;
第二确定子单元,被配置成基于所述准确性校验结果确定是否对所述待抽取网页所属的网站对应的抽取模板重新配置。
8.根据权利要求7所述的装置,其中,所述抽取单元还包括:
存储子单元,被配置成若通过准确性校验,将所述待抽取网页的结构化数据存储在抽取结果数据库中;
重配置子单元,被配置成若未通过准确性校验,获取所述待抽取网页所属的网站对应的重新配置的抽取模板,基于所述重新配置的抽取模板对所述待抽取网页的同步渲染页面和异步请求结果页面进行信息抽取,得到所述待抽取网页的最新结构化数据,以及将所述待抽取网页的最新结构化数据存储在所述抽取结果数据库中。
9.根据权利要求7所述的装置,其中,准确性校验包括以下至少一项:
校验是否提取到数据;
校验提取到的数据的类型是否正确;
校验抽取到的数据的编码格式是否正确;
校验网页的原始数据和抽取到的数据的匹配度。
10.根据权利要求6-9之一所述的装置,其中,所述待抽取网页包括一个同步渲染页面和多个异步请求结果页面,所述待抽取网页的同步渲染页面是HTML页面,所述待抽取网页的异步请求结果页面是JSON页面。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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1-5中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290732.8A CN111061971B (zh) | 2019-12-16 | 2019-12-16 | 用于抽取信息的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911290732.8A CN111061971B (zh) | 2019-12-16 | 2019-12-16 | 用于抽取信息的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111061971A CN111061971A (zh) | 2020-04-24 |
CN111061971B true CN111061971B (zh) | 2023-07-14 |
Family
ID=70301788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911290732.8A Active CN111061971B (zh) | 2019-12-16 | 2019-12-16 | 用于抽取信息的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061971B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320687A (zh) * | 2014-07-29 | 2016-02-10 | 腾讯科技(北京)有限公司 | 网页显示方法及装置 |
CN108399167A (zh) * | 2017-02-04 | 2018-08-14 | 百度在线网络技术(北京)有限公司 | 网页信息提取方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102982161A (zh) * | 2012-12-05 | 2013-03-20 | 北京奇虎科技有限公司 | 网页信息的获取方法和装置 |
CN102982162B (zh) * | 2012-12-05 | 2016-04-13 | 北京奇虎科技有限公司 | 网页信息的获取系统 |
US9678928B1 (en) * | 2013-10-01 | 2017-06-13 | Michael Tung | Webpage partial rendering engine |
CN104978358B (zh) * | 2014-04-11 | 2019-11-15 | 阿里巴巴集团控股有限公司 | 桌面展示网页片段的方法及截取网页片段至桌面展示系统 |
CN108197125B (zh) * | 2016-12-08 | 2020-10-09 | 腾讯科技(深圳)有限公司 | 网页抓取方法及装置 |
-
2019
- 2019-12-16 CN CN201911290732.8A patent/CN111061971B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105320687A (zh) * | 2014-07-29 | 2016-02-10 | 腾讯科技(北京)有限公司 | 网页显示方法及装置 |
CN108399167A (zh) * | 2017-02-04 | 2018-08-14 | 百度在线网络技术(北京)有限公司 | 网页信息提取方法和装置 |
Non-Patent Citations (3)
Title |
---|
Zhang Hengru ; Cui Chun.Web Information Extraction Technology Research Based on Ajax.《2011 International Conference on Business Computing and Global Informatizatio》.2011,全文. * |
基于AJAX的Web信息抽取技术的研究;崔春;《中国优秀硕士论文电子期刊》;全文 * |
支持动态页面的快速URL提取方法研究;张洪庆;《硕士论文》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111061971A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107491534B (zh) | 信息处理方法和装置 | |
CN109460513B (zh) | 用于生成点击率预测模型的方法和装置 | |
US20210326338A1 (en) | Automated extraction of data from web pages | |
CN107729319B (zh) | 用于输出信息的方法和装置 | |
CN108984714B (zh) | 页面渲染方法、装置、电子设备及计算机可读介质 | |
CN111274760B (zh) | 富文本数据处理方法、装置、电子设备及计算机存储介质 | |
US10346502B2 (en) | Mobile enablement of existing web sites | |
CN109543058B (zh) | 用于检测图像的方法、电子设备和计算机可读介质 | |
US10733247B2 (en) | Methods and systems for tag expansion by handling website object variations and automatic tag suggestions in dynamic tag management | |
JP2021103506A (ja) | 情報を生成するための方法及び装置 | |
CN111147431B (zh) | 用于生成信息的方法和装置 | |
CN113688310B (zh) | 一种内容推荐方法、装置、设备及存储介质 | |
CN109325197B (zh) | 用于提取信息的方法和装置 | |
US11347931B2 (en) | Process for creating a fixed length representation of a variable length input | |
CN116720489B (zh) | 页面填充方法及装置、电子设备和计算机可读存储介质 | |
US20230085684A1 (en) | Method of recommending data, electronic device, and medium | |
CN111061971B (zh) | 用于抽取信息的方法和装置 | |
CN112486482A (zh) | 一种页面展示方法和装置 | |
CN110209906A (zh) | 用于提取网页信息的方法和装置 | |
CN114691850A (zh) | 生成问答对的方法、神经网络模型的训练方法和装置 | |
CN110888583B (zh) | 页面显示方法、系统、装置和电子设备 | |
CN113076254A (zh) | 一种测试用例集的生成方法和装置 | |
CN113312568A (zh) | 一种基于HTML源代码和网页快照的Web信息抽取方法与系统 | |
CN107657035B (zh) | 用于生成有向无环图的方法和装置 | |
CN112579080A (zh) | 一种生成用户界面代码的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |