CN111698364B - 联系人信息提取方法、相关设备及计算机可读存储介质 - Google Patents

联系人信息提取方法、相关设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111698364B
CN111698364B CN202010568445.5A CN202010568445A CN111698364B CN 111698364 B CN111698364 B CN 111698364B CN 202010568445 A CN202010568445 A CN 202010568445A CN 111698364 B CN111698364 B CN 111698364B
Authority
CN
China
Prior art keywords
target
node
nodes
contact
webpage
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
Application number
CN202010568445.5A
Other languages
English (en)
Other versions
CN111698364A (zh
Inventor
车进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xiaoman Technology Co ltd
Original Assignee
Shenzhen Xiaoman Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Xiaoman Technology Co ltd filed Critical Shenzhen Xiaoman Technology Co ltd
Priority to CN202010568445.5A priority Critical patent/CN111698364B/zh
Publication of CN111698364A publication Critical patent/CN111698364A/zh
Application granted granted Critical
Publication of CN111698364B publication Critical patent/CN111698364B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/26—Devices for calling a subscriber
    • H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
    • H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
    • H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
    • H04M1/27467—Methods of retrieving data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/26—Devices for calling a subscriber
    • H04M1/27—Devices whereby a plurality of signals may be stored simultaneously
    • H04M1/274—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc
    • H04M1/2745—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips
    • H04M1/2753—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips providing data content
    • H04M1/2757—Devices whereby a plurality of signals may be stored simultaneously with provision for storing more than one subscriber number at a time, e.g. using toothed disc using static electronic memories, e.g. chips providing data content by data transmission, e.g. downloading

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种联系人信息提取方法及相关设备。所述联系人信息提取方法获取目标网页；从所述目标网页中查找联系人标识信息；根据所述联系人标识信息从所述目标网页中确定目标区域；从所述目标区域提取联系人信息。本发明提升了提取联系人信息的效率。

Description

联系人信息提取方法、相关设备及计算机可读存储介质
技术领域
本发明涉及数据提取技术领域，具体涉及一种联系人信息提取方法、装置、计算机设备及计算机可读存储介质。
背景技术
网络爬虫是一种常用的获取数据的方法，可以通过网络爬虫从互联网中下载网页数据。对下载的网页数据进行分析可以得到企业所需的数据，如联系人信息。
联系人信息是一种特殊的数据。通常，通过逐个提取的方式从网页数据中提取联系人信息，提取效率低。如何提升从网页数据中提取联系人信息的效率，成为待解决的问题。
发明内容
鉴于以上内容，有必要提出一种联系人信息提取方法、装置、计算机设备及计算机可读存储介质，其可以提升提取联系人信息的效率。
本申请的第一方面提供一种联系人信息提取方法，所述联系人信息提取方法包括：
获取目标网页；
从所述目标网页中查找联系人标识信息；
根据所述联系人标识信息从所述目标网页中确定目标区域；
从所述目标区域提取联系人信息。
另一种可能的实现方式中，所述从所述目标网页中识查找系人标识信息包括：
获取所述联系人标识信息的类型和多个预设规则；
根据所述联系人标识信息的类型从所述多个预设规则中选择目标规则；
根据所述目标规则从所述目标网页中查找所述联系人标识信息。
另一种可能的实现方式中，在所述从所述目标网页中查找联系人标识信息之前，所述联系人信息提取方法还包括：
对所述目标网页进行剪枝预处理。
另一种可能的实现方式中，所述根据所述联系人标识信息从所述目标网页中确定目标区域包括：
根据所述目标网页构建网页树；
从所述网页树中定位所述联系人标识信息所属的目标叶节点；
查找所述目标叶节点的目标祖先节点；
将所述目标祖先节点覆盖的区域确定为所述目标区域。
另一种可能的实现方式中，所述查找所述目标叶节点的目标祖先节点包括：
查找所述目标叶节点中的各个目标子节点的祖先节点，所述目标叶节点包括多个目标子节点，所述目标叶节点与所述多个目标子节点间无树结构关系；
对于每两个目标子节点，计算所述两个目标子节点的不同祖先节点的节点数量；
获取预设第一数量阈值；
将不同祖先节点的节点数量小于所述预设第一数量阈值的两个目标子节点确定为中间子节点；
查找所述中间子节点的父节点或所述中间子节点的父节点的父节点，将所述中间子节点的父节点或所述中间子节点的父节点的父节点记为第一父节点，将所述第一父节点确定为所述目标叶子节点的目标祖先节点。
另一种可能的实现方式中，所述查找所述目标叶节点的目标祖先节点还包括：
确定以所述第一父节点为根节点的目标子树；
获取预设第二数量阈值和所述目标子树中的目标文本信息；
判断所述目标文本信息中的字符数量是否小于所述预设第二数量阈值；
当所述目标文本信息中的字符数量小于所述预设第二数量阈值时，查找所述第一父节点的父节点，记为第二父节点，将所述第二父节点重新确定为所述目标叶节点的目标祖先节点。
另一种可能的实现方式中，所述联系人信息提取方法还包括：
对所述联系人信息进行分组存储。
本申请的第二方面提供一种联系人信息提取装置，所述联系人信息提取装置包括：
获取模块，用于获取目标网页；
查找模块，用于从所述目标网页中查找联系人标识信息；
确定模块，用于根据所述联系人标识信息从所述目标网页中确定目标区域；
提取模块，用于从所述目标区域提取联系人信息。
本申请的第三方面提供一种计算机设备，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现所述联系人信息提取方法。
本申请的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述联系人信息提取方法。
本发明获取目标网页；从所述目标网页中查找联系人标识信息；根据所述联系人标识信息从所述目标网页中确定目标区域；从所述目标区域提取联系人信息。本发明提升了提取联系人信息的效率。
附图说明
图1是本发明实施例提供的联系人信息提取方法的流程图。
图2是本发明实施例提供的联系人信息提取装置的结构图。
图3是本发明实施例提供的计算机设备的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施例对本发明进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
优选地，本发明的联系人信息提取方法应用在一个或者多个计算机设备中。所述计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路 (Application Specific IntegratedCircuit，ASIC)、可编程门阵列(Field－ Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
实施例一
图1是本发明实施例一提供的联系人信息提取方法的流程图。所述联系人信息提取方法应用于计算机设备，用于从网页中提取联系人信息。
如图1所示，所述联系人信息提取方法包括：
101，获取目标网页。
所述目标网页是由多个HTML标签构建的Web网页，各个HTML标签间具有父子关系。
所述目标网页中可以包括一个或多个联系人信息。联系人信息包括人名、电话、邮箱、职位等信息。
具体地，所述获取目标网页包括通过爬虫爬取所述目标网页，或从本地数据库中读取所述目标网页。
102，从所述目标网页中查找联系人标识信息。
在一具体实施例中，所述从所述目标网页中查找联系人标识信息包括：
获取所述联系人标识信息的类型和多个预设规则；
根据所述联系人标识信息的类型从所述多个预设规则中选择目标规则；
根据所述目标规则从所述目标网页中查找所述联系人标识信息。
所述联系人标注信息的类型可以包括人名、电话、邮箱、职位等。例如，一个联系人标注信息的类型为电话，则目标规则具体可以为一个正则表达式，可以实现查找首位为数字1的11位数字。再如，一个联系人标注信息的类型为邮箱，则目标规则具体可以为另一个正则表达式，可以通过该正则表达式查找包括“@”字符的字符串。
在另一实施例中，在所述从所述目标网页中查找联系人标识信息之前，所述联系人信息提取方法还包括：
对所述目标网页进行剪枝预处理。
例如，删除所述目标网页中的网页风格标签(style标签)、脚本标签(script 标签)、不可见标签(display属性为none的标签)等。
103，根据所述联系人标识信息从所述目标网页中确定目标区域。
在一具体实施例中，所述根据所述联系人标识信息从所述目标网页中确定目标区域包括：
根据所述目标网页构建网页树；
从所述网页树中定位所述联系人标识信息所属的目标叶节点；
查找所述目标叶节点的目标祖先节点；
将所述目标祖先节点覆盖的区域确定为所述目标区域。
所述网页树即DOM树，将所述目标网页的数据根据多种标签嵌套，并最终形成一棵DOM树。所述目标网页中在视觉上靠近的数据，在DOM树上也彼此相邻，即同时存在于一个DOM树的一个子树上。所述目标叶节点的祖先节点可以包括所述目标节点的父节点、所述目标节点的父节点的父节点、所述网页树的根节点等。所述目标叶节点的祖先节点包括所述目标叶节点的目标祖先节点。
例如，可以根据标识信息在网页树中查找包括标识信息的标签，将包括标识信息的标签确定为目标叶节点。
所述目标祖先节点覆盖的区域包括所述目标祖先节点中的文本信息和所述目标祖先节点的全部子节点中的文本信息。
在一具体实施例中，所述查找所述目标叶节点的目标祖先节点包括：
查找所述目标叶节点中的各个目标子节点的祖先节点，所述目标叶节点包括多个目标子节点，所述目标叶节点与所述多个目标子节点间无树结构关系；
对于每两个目标子节点，计算所述两个目标子节点的不同祖先节点的节点数量；
获取预设第一数量阈值；
将不同祖先节点的节点数量小于所述预设第一数量阈值的两个目标子节点确定为中间子节点；
查找所述中间子节点的父节点或所述中间子节点的父节点的父节点，将所述中间子节点的父节点或所述中间子节点的父节点的父节点记为第一父节点，将所述第一父节点确定为所述目标叶子节点的目标祖先节点。
例如，两个目标子节点为节点1和节点2，节点1的祖先节点为节点a、节点b、节点c，节点2的祖先节点为节点a、节点b、节点d，其中节点c和节点d的父节点为节点b，节点b的父节点为节点a。两个目标子节点的不同祖先节点为节点c和节点d，两个目标子节点的不同祖先节点的节点数量为 2。预设第一数量阈值为3。节点数量小于预设第一数量阈值，将节点1和节点2确定为中间子节点。将中间子节点的父节点的父节点(节点b)确定为目标祖先节点。
在一具体实施例中，所述查找所述目标叶节点的目标祖先节点还包括：
确定以所述第一父节点为根节点的目标子树；
获取预设第二数量阈值和所述目标子树中的目标文本信息；
判断所述目标文本信息中的字符数量是否小于所述预设第二数量阈值；
当所述目标文本信息中的字符数量小于所述预设第二数量阈值时，查找所述第一父节点的父节点，记为第二父节点，将所述第二父节点重新确定为所述目标叶节点的目标祖先节点。
如上例，获取预设第二数量阈值，在以节点b为根节点的目标子树中，获取目标文本信息，当目标文本信息中的字符数量小于预设第二数量阈值时，查找到第一父节点(节点b)的父节点为节点a，将节点a重新确定为目标祖先节点。
104，从所述目标区域提取联系人信息。
在一具体实施例中，所述从所述目标区域提取联系人信息包括：
遍历所述目标区域的每个节点，提取所述目标区域的每个节点中的文本。
例如，遍历目标区域中的节点e和节点e的全部子节点，提取得到的文本为“姓名：张三；电话：12345678910；邮箱地址：zhangsan@16.com；职位：经理”。遍历目标区域中的节点f和节点f的全部子节点，提取得到的文本为“姓名：李四；电话：12345678912；邮箱地址：lisi@16.com；职位：总经理”。
实施例一的联系人信息提取方法根据所述联系人标识信息从所述目标网页中确定目标区域；从所述目标区域提取联系人信息。实施例一提升了提取联系人信息的效率。
在另一实施例中，所述联系人信息提取方法还包括：
对所述联系人信息进行分组存储。
在另一实施例中，所述联系人信息提取方法还包括：
当未从所述目标网页中查找到所述联系人标识信息时，将所述目标网页标注为无联系人网页。
实施例二
图2是本发明实施例二提供的联系人信息提取装置的结构图。所述联系人信息提取装置20应用于计算机设备。所述联系人信息提取装置20用于从网页中提取联系人信息，提升提取联系人信息的效率。
如图2所示，所述联系人信息提取装置20可以包括获取模块201、查找模块202、确定模块203、提取模块204。
获取模块201，用于获取目标网页。
所述目标网页是由多个HTML标签构建的Web网页，各个HTML标签间具有父子关系。
所述目标网页中可以包括一个或多个联系人信息。联系人信息包括人名、电话、邮箱、职位等信息。
具体地，所述获取目标网页包括通过爬虫爬取所述目标网页，或从本地数据库中读取所述目标网页。
查找模块202，用于从所述目标网页中查找联系人标识信息。
在一具体实施例中，所述从所述目标网页中查找联系人标识信息包括：
获取所述联系人标识信息的类型和多个预设规则；
根据所述联系人标识信息的类型从所述多个预设规则中选择目标规则；
根据所述目标规则从所述目标网页中查找所述联系人标识信息。
所述联系人标注信息的类型可以包括人名、电话、邮箱、职位等。例如，一个联系人标注信息的类型为电话，则目标规则具体可以为一个正则表达式，可以实现查找首位为数字1的11位数字。再如，一个联系人标注信息的类型为邮箱，则目标规则具体可以为另一个正则表达式，可以通过该正则表达式查找包括“@”字符的字符串。
在另一实施例中，所述联系人信息提取装置还包括预处理模块，用于在所述从所述目标网页中查找联系人标识信息之前，对所述目标网页进行剪枝预处理。
例如，删除所述目标网页中的网页风格标签(style标签)、脚本标签(script 标签)、不可见标签(display属性为none的标签)等。
确定模块203，用于根据所述联系人标识信息从所述目标网页中确定目标区域。
在一具体实施例中，所述根据所述联系人标识信息从所述目标网页中确定目标区域包括：
根据所述目标网页构建网页树；
从所述网页树中定位所述联系人标识信息所属的目标叶节点；
查找所述目标叶节点的目标祖先节点；
将所述目标祖先节点覆盖的区域确定为所述目标区域。
所述网页树即DOM树，将所述目标网页的数据根据多种标签嵌套，并最终形成一棵DOM树。所述目标网页中在视觉上靠近的数据，在DOM树上也彼此相邻，即同时存在于一个DOM树的一个子树上。所述目标叶节点的祖先节点可以包括所述目标节点的父节点、所述目标节点的父节点的父节点、所述网页树的根节点等。所述目标叶节点的祖先节点包括所述目标叶节点的目标祖先节点。
例如，可以根据标识信息在网页树中查找包括标识信息的标签，将包括标识信息的标签确定为目标叶节点。
所述目标祖先节点覆盖的区域包括所述目标祖先节点中的文本信息和所述目标祖先节点的全部子节点中的文本信息。
在一具体实施例中，所述查找所述目标叶节点的目标祖先节点包括：
查找所述目标叶节点中的各个目标子节点的祖先节点，所述目标叶节点包括多个目标子节点，所述目标叶节点与所述多个目标子节点间无树结构关系；
对于每两个目标子节点，计算所述两个目标子节点的不同祖先节点的节点数量；
获取预设第一数量阈值；
将不同祖先节点的节点数量小于所述预设第一数量阈值的两个目标子节点确定为中间子节点；
查找所述中间子节点的父节点或所述中间子节点的父节点的父节点，将所述中间子节点的父节点或所述中间子节点的父节点的父节点记为第一父节点，将所述第一父节点确定为所述目标叶子节点的目标祖先节点。
例如，两个目标子节点为节点1和节点2，节点1的祖先节点为节点a、节点b、节点c，节点2的祖先节点为节点a、节点b、节点d，其中节点c和节点d的父节点为节点b，节点b的父节点为节点a。两个目标子节点的不同祖先节点为节点c和节点d，两个目标子节点的不同祖先节点的节点数量为 2。预设第一数量阈值为3。节点数量小于预设第一数量阈值，将节点1和节点2确定为中间子节点。将中间子节点的父节点的父节点(节点b)确定为目标祖先节点。
在一具体实施例中，所述查找所述目标叶节点的目标祖先节点还包括：
确定以所述第一父节点为根节点的目标子树；
获取预设第二数量阈值和所述目标子树中的目标文本信息；
判断所述目标文本信息中的字符数量是否小于所述预设第二数量阈值；
当所述目标文本信息中的字符数量小于所述预设第二数量阈值时，查找所述第一父节点的父节点，记为第二父节点，将所述第二父节点重新确定为所述目标叶节点的目标祖先节点。
如上例，获取预设第二数量阈值，在以节点b为根节点的目标子树中，获取目标文本信息，当目标文本信息中的字符数量小于预设第二数量阈值时，查找到第一父节点(节点b)的父节点为节点a，将节点a重新确定为目标祖先节点。
提取模块，用于从所述目标区域提取联系人信息。
在一具体实施例中，所述从所述目标区域提取联系人信息包括：
遍历所述目标区域的每个节点，提取所述目标区域的每个节点中的文本。
例如，遍历目标区域中的节点e和节点e的全部子节点，提取得到的文本为“姓名：张三；电话：12345678910；邮箱地址：zhangsan@16.com；职位：经理”。遍历目标区域中的节点f和节点f的全部子节点，提取得到的文本为“姓名：李四；电话：12345678912；邮箱地址：lisi@16.com；职位：总经理”。
实施例二的联系人信息提取装置20根据所述联系人标识信息从所述目标网页中确定目标区域；从所述目标区域提取联系人信息。实施例二提升了提取联系人信息的效率。
在另一实施例中，所述联系人信息提取装置还包括存储模块，用于对所述联系人信息进行分组存储。
在另一实施例中，所述联系人信息提取装置还包括标注模块，用于当未从所述目标网页中查找到所述联系人标识信息时，将所述目标网页标注为无联系人网页。
实施例三
本实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述联系人信息提取方法实施例中的步骤，例如图1所示的步骤101-104：
101，获取目标网页；
102，从所述目标网页中查找联系人标识信息；
103，根据所述联系人标识信息从所述目标网页中确定目标区域；
104，从所述目标区域提取联系人信息。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-204：
获取模块201，用于获取目标网页；
查找模块202，用于从所述目标网页中查找联系人标识信息；
确定模块203，用于根据所述联系人标识信息从所述目标网页中确定目标区域；
提取模块204，用于从所述目标区域提取联系人信息。
实施例四
图3为本发明实施例三提供的计算机设备的示意图。所述计算机设备30 包括存储器301、处理器302以及存储在所述存储器301中并可在所述处理器302上运行的计算机程序303，例如联系人信息提取程序。所述处理器302 执行所述计算机程序303时实现上述联系人信息提取方法实施例中的步骤，例如图1所示的101-104：
101，获取目标网页；
102，从所述目标网页中查找联系人标识信息；
103，根据所述联系人标识信息从所述目标网页中确定目标区域；
104，从所述目标区域提取联系人信息。
或者，该计算机程序被处理器执行时实现上述装置实施例中各模块的功能，例如图2中的模块201-204：
获取模块201，用于获取目标网页；
查找模块202，用于从所述目标网页中查找联系人标识信息；
确定模块203，用于根据所述联系人标识信息从所述目标网页中确定目标区域；
提取模块204，用于从所述目标区域提取联系人信息。
示例性的，所述计算机程序303可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器301中，并由所述处理器302执行，以完成本方法。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序303在所述计算机设备30中的执行过程。例如，所述计算机程序303可以被分割成图2中的获取模块201、查找模块202、确定模块203、提取模块204，各模块具体功能参见实施例二。
本领域技术人员可以理解，所述示意图3仅仅是计算机设备30的示例，并不构成对计算机设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述计算机设备30还可以包括输入输出设备、网络接入设备、总线等。
所称处理器302可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器302也可以是任何常规的处理器等，所述处理器302是所述计算机设备30的控制中心，利用各种接口和线路连接整个计算机设备30的各个部分。
所述存储器301可用于存储所述计算机程序303，所述处理器302通过运行或执行存储在所述存储器301内的计算机程序或模块，以及调用存储在存储器301内的数据，实现所述计算机设备30的各种功能。所述存储器301 可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备30的使用所创建的数据等。此外，存储器 301可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡 (Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡 (Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述计算机设备30集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器 (ROM，Read-Only Memory)。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等) 或处理器(processor)执行本发明各个实施例所述联系人信息提取方法的部分步骤。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他模块或步骤，单数不排除复数。系统权利要求中陈述的多个模块或装置也可以由一个模块或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (8)

1.一种联系人信息提取方法，其特征在于，所述联系人信息提取方法包括：
获取目标网页；
从所述目标网页中查找联系人标识信息；
根据所述联系人标识信息从所述目标网页中确定目标区域；
从所述目标区域提取联系人信息；
所述根据所述联系人标识信息从所述目标网页中确定目标区域包括：
根据所述目标网页构建网页树；
从所述网页树中定位所述联系人标识信息所属的目标叶节点；
查找所述目标叶节点的目标祖先节点；
将所述目标祖先节点覆盖的区域确定为所述目标区域；
其中，所述查找所述目标叶节点的目标祖先节点包括：
查找所述目标叶节点中的各个目标子节点的祖先节点，所述目标叶节点包括多个目标子节点，所述目标叶节点与所述多个目标子节点间无树结构关系；
对于每两个目标子节点，计算所述两个目标子节点的不同祖先节点的节点数量；
获取预设第一数量阈值；
将不同祖先节点的节点数量小于所述预设第一数量阈值的两个目标子节点确定为中间子节点；
查找所述中间子节点的父节点或所述中间子节点的父节点的父节点，将所述中间子节点的父节点或所述中间子节点的父节点的父节点记为第一父节点，将所述第一父节点确定为所述目标叶子节点的目标祖先节点。
2.如权利要求1所述的联系人信息提取方法，其特征在于，所述从所述目标网页中识查找系人标识信息包括：
获取所述联系人标识信息的类型和多个预设规则；
根据所述联系人标识信息的类型从所述多个预设规则中选择目标规则；
根据所述目标规则从所述目标网页中查找所述联系人标识信息。
3.如权利要求1所述的联系人信息提取方法，其特征在于，在所述从所述目标网页中查找联系人标识信息之前，所述联系人信息提取方法还包括：
对所述目标网页进行剪枝预处理。
4.如权利要求1所述的联系人信息提取方法，其特征在于，所述查找所述目标叶节点的目标祖先节点还包括：
确定以所述第一父节点为根节点的目标子树；
获取预设第二数量阈值和所述目标子树中的目标文本信息；
判断所述目标文本信息中的字符数量是否小于所述预设第二数量阈值；
当所述目标文本信息中的字符数量小于所述预设第二数量阈值时，查找所述第一父节点的父节点，记为第二父节点，将所述第二父节点重新确定为所述目标叶节点的目标祖先节点。
5.如权利要求1至4中任一项所述的联系人信息提取方法，其特征在于，所述联系人信息提取方法还包括：
对所述联系人信息进行分组存储。
6.一种联系人信息提取装置，其特征在于，所述联系人信息提取装置包括：
获取模块，用于获取目标网页；
查找模块，用于从所述目标网页中查找联系人标识信息；
确定模块，用于根据所述联系人标识信息从所述目标网页中确定目标区域；
提取模块，用于从所述目标区域提取联系人信息；
所述确定模块，用于根据所述联系人标识信息从所述目标网页中确定目标区域包括：
根据所述目标网页构建网页树；
从所述网页树中定位所述联系人标识信息所属的目标叶节点；
查找所述目标叶节点的目标祖先节点；
将所述目标祖先节点覆盖的区域确定为所述目标区域；
其中，所述确定模块，用于查找所述目标叶节点的目标祖先节点包括：
查找所述目标叶节点中的各个目标子节点的祖先节点，所述目标叶节点包括多个目标子节点，所述目标叶节点与所述多个目标子节点间无树结构关系；
对于每两个目标子节点，计算所述两个目标子节点的不同祖先节点的节点数量；
获取预设第一数量阈值；
将不同祖先节点的节点数量小于所述预设第一数量阈值的两个目标子节点确定为中间子节点；
查找所述中间子节点的父节点或所述中间子节点的父节点的父节点，将所述中间子节点的父节点或所述中间子节点的父节点的父节点记为第一父节点，将所述第一父节点确定为所述目标叶子节点的目标祖先节点。
7.一种计算机设备，其特征在于，所述计算机设备包括处理器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至5中任一项所述联系人信息提取方法。
8.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述联系人信息提取方法。
CN202010568445.5A 2020-06-19 2020-06-19 联系人信息提取方法、相关设备及计算机可读存储介质 Active CN111698364B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010568445.5A CN111698364B (zh) 2020-06-19 2020-06-19 联系人信息提取方法、相关设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010568445.5A CN111698364B (zh) 2020-06-19 2020-06-19 联系人信息提取方法、相关设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111698364A CN111698364A (zh) 2020-09-22
CN111698364B true CN111698364B (zh) 2021-09-21

Family

ID=72482354

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010568445.5A Active CN111698364B (zh) 2020-06-19 2020-06-19 联系人信息提取方法、相关设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111698364B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528509A (zh) * 2016-11-11 2017-03-22 政和科技股份有限公司 网页信息提取方法及装置
CN107423391A (zh) * 2017-07-24 2017-12-01 福州大学 网页结构化数据的信息提取方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216824B (zh) * 2007-01-05 2010-04-21 冯卫国 一种将树型结构数据库发布为分布式xml数据库的方法
CN102831121B (zh) * 2011-06-15 2015-07-08 阿里巴巴集团控股有限公司 一种网页信息抽取的方法和系统
CN102890692A (zh) * 2011-07-22 2013-01-23 阿里巴巴集团控股有限公司 一种网页信息抽取方法及抽取系统
CN104537128A (zh) * 2015-01-30 2015-04-22 广联达软件股份有限公司 一种网页信息提取方法及装置
CN107590219A (zh) * 2017-09-04 2018-01-16 电子科技大学 网页人物主题相关信息提取方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106528509A (zh) * 2016-11-11 2017-03-22 政和科技股份有限公司 网页信息提取方法及装置
CN107423391A (zh) * 2017-07-24 2017-12-01 福州大学 网页结构化数据的信息提取方法

Also Published As

Publication number Publication date
CN111698364A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
US7444325B2 (en) Method and system for information extraction
CN112016273B (zh) 文档目录生成方法、装置、电子设备及可读存储介质
CN110765770A (zh) 一种合同自动生成方法及装置
WO2020000717A1 (zh) 网页分类方法、装置及计算机可读存储介质
CN104102639B (zh) 基于文本分类的推广触发方法和装置
WO2019041520A1 (zh) 基于社交数据的金融产品推荐方法、电子装置及介质
CN111538816B (zh) 基于ai识别的问答方法、装置、电子设备及介质
CN109191158B (zh) 用户画像标签数据的处理方法及处理设备
CN110162754B (zh) 一种岗位描述文档的生成方法及设备
CN111737623A (zh) 网页信息提取方法及相关设备
CN106664463A (zh) 任意大小内容条目生成
CN101477571A (zh) 网络内容语义结构标注的方法和装置
CN101076708B (zh) 地图目标的自动优先化
CN111522901A (zh) 文本中地址信息的处理方法及装置
CN111553556A (zh) 业务数据分析方法、装置、计算机设备及存储介质
CN112231468A (zh) 信息生成方法、装置、电子设备及存储介质
WO2019227705A1 (zh) 图片录入方法、服务器及计算机存储介质
CN111444368A (zh) 构建用户画像的方法、装置、计算机设备及存储介质
CN111597302B (zh) 文本事件的获取方法、装置、电子设备及存储介质
CN115210705A (zh) 具有无效值或等效值的关系表的向量嵌入模型
CN113065947A (zh) 数据处理方法、装置、设备及存储介质
CN112883242A (zh) 树形机器学习模型可视化方法、装置、电子设备及存储介质
CN116127047B (zh) 企业信息库的建立方法与装置
CN111698364B (zh) 联系人信息提取方法、相关设备及计算机可读存储介质
CN108875060B (zh) 一种网站识别方法及识别系统

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