JP5944985B2 - ウェブページ情報を抽出する方法およびシステム - Google Patents
ウェブページ情報を抽出する方法およびシステム Download PDFInfo
- Publication number
- JP5944985B2 JP5944985B2 JP2014515962A JP2014515962A JP5944985B2 JP 5944985 B2 JP5944985 B2 JP 5944985B2 JP 2014515962 A JP2014515962 A JP 2014515962A JP 2014515962 A JP2014515962 A JP 2014515962A JP 5944985 B2 JP5944985 B2 JP 5944985B2
- Authority
- JP
- Japan
- Prior art keywords
- node
- path
- extracted
- information
- candidate
- 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
- 238000000034 method Methods 0.000 title claims description 73
- 238000000605 extraction Methods 0.000 claims description 76
- 230000003252 repetitive effect Effects 0.000 claims description 31
- 238000009877 rendering Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 11
- 239000000284 extract Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000013515 script Methods 0.000 description 4
- 230000002441 reversible effect Effects 0.000 description 3
- 230000008570 general process Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/14—Tree-structured documents
- G06F40/143—Markup, e.g. Standard Generalized Markup Language [SGML] or Document Type Definition [DTD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/80—Information retrieval; Database structures therefor; File system structures therefor of semi-structured data, e.g. markup language structured data such as SGML, XML or HTML
-
- 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
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
- G06F16/972—Access to data in other repository systems, e.g. legacy data or dynamic Web page generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/103—Formatting, i.e. changing of presentation of documents
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本開示の実施形態は、ウェブページ情報の抽出の方法を提供する。該方法は、サンプルページのDOM構造を分析して、DOM構造内の抽出される情報の位置を取得することと、DOM構造内の抽出される情報の位置に対応するノードをターゲットノードとしてレンダリングし、ターゲットノードから開始して、事前に取得された相対位置情報をトラバースしてノードを取得して、該ノードがルートノードであるかを判定し、そうでない場合、ルートノードが探し出されるまで別のノードを再帰的に探し続けて候補パスを作成し、ターゲットノードからルートノードまでの取得された候補パスをパスセットとしてレンダリングすることと、抽出されるページのDOM構造を分析し、パスセット内のルートノードから開始するパスを用いて抽出されるページのDOM構造内に抽出される情報を配置し、抽出されるウェブページのDOM構造内の抽出される情報の位置に対応するノードを抽出されたノード候補セットとして取得することと、最も高いロバスト性を有するノードを抽出されたノード候補セットから選択して、最後に抽出されたノードとし、抽出されたノードを用いて抽出された情報を取得することと、を含む。
[表1]
<html>
<head>
<body id=“view”>
<div id=“usrbar”>
<div id=“wrap”>
<div id=“header”>
<div id=“page”>
<div id=“content-wrap”class=“layout grid-m0s245 w1000”>
<div id=“content”class=“col-main article”>
<div class=“main-wrap main-shadow”>
<div class=“content-hd”>
<div class=“content-bd main-body”>
<div class=“text”>
<span class=“editable-lemma”data-edit-id=“page94238”></span>
<h1 class=“title”>regular expression<h1>
<script>
<script type=“text/javascript”>
<div class=“clear”> </div>
<style type=“text/css”>
<div class=“mod-top”>
<fieldset id=“catalog-0”class=“text_dir nslog-area”>
<div class=“clear”></div>
<script type=“test/javascript”>
<div id=“lemmacontent-0 ”class=“lemma-main-content”>
<h2 class=“headline-1 first bk-sidecatalog-title”>
<span class=“text_edit editable-title”data-edit>
<a class=“nslog:1019” onclich=“bk.view.edit.Le”>
< /span/>
<a name=“1”></a>
<span class=“headline-content”>history and source</span>
</h2>
<span class=“headline−content”>history and source</span>
(1)HTMLタグ名
<span class=“headline−content”>history and source</span>において、関連したタグ名は「span」である。
(2)テキストコンテンツ
例えば、<span>price:</span>
<strong id=“J−StrPrice”>719.0</strong>
この中で、「price」は、ノードのテキスト情報である。
(3)タグスタイルID(識別子)
例えば、<span>price:</span>
<strong id=“J−StrPrice”>719.0</strong>
記録された価格に対するタグ「strong」のIDは、J_StrPriceである。
(4)タグスタイルクラス(カテゴリー)
<span class=“headline−content”>history and source</span>
タグ「span」のクラスは、class=headline−contentである。
(5)他のスタイル属性は、主に、名称、src、href、alt等を含む。
(1)ターゲットノードと兄弟、親、または子関係を有するノードの情報。
Dは、Eの左側の兄弟である。
Dは、Bの子である。
Dは、Bの第1の子である。
Fは、Dの第1の子ノードである。
(2)ターゲットノードと直接層関係を有し、かつテキストまたはスタイル属性を有するノードの位置情報。
Dは、divのタグを有するBの第1の子ノードである。
Dは、abcのスタイルIDを有するBの第1の子孫ノードである。
Dは、abcのスタイルを有するルートの第1の子孫ノードである。
Dは、div−topのクラスを有するBの第1の子孫ノードである。
Dは、div−topのクラスを有するルートの第1の子孫ノードである。
Fは、aのタグを有するDの第1の子ノードである。
Fは、「google」のテキストを有するDの第1の子孫ノードである。
Fは、www.google.comのsrc属性を有するDの第1の子孫ノードである。
Aは、Bの左側の兄弟である。
Aは、Bの右側の兄弟である。
Aは、Bの親である(第1層より上)。
Aは、Bのn番目の子ノードである(子は、親の下の第1の層に限定されると定義される)。
Aは、XXXのタグを有するBの子のn番目のノードである(一般的)。
Aは、XXXのスタイルidを有するBの子孫間のn番目のノード(ノードB下のフォレストの全ノードセット)である。
Aは、XXXのスタイルクラスを有するBの子孫間のn番目のノードである。
Aは、XXXのテキストを有するBの子孫間のn番目のノードである。
Aは、yのスタイル属性の値xを有するBの子孫間のn番目のノードである。
Bは、Aのn番目の子ノードである。
Bは、XXXのタグを有するAの子のn番目のノードである。
Bは、XXXのスタイルIDを有するAの子孫間のn番目のノードである。
Bは、XXXのスタイルクラスを有するAの子孫間のn番目のノードである。
Bは、XXXのテキストを有するAの子孫間のn番目のノードである。
Bは、yのスタイル属性の値xを有するAの子孫間のn番目のノードである。
(1)ターゲットノードDからノードB、その後ルートノードまでのパス。
(2)ターゲットノードDからノードE、ノードB、その後ルートノードまでのパス。
(3)ターゲットノードDからノードB、ノードA、その後ルートノードまでのパス。
(4)Dの相対位置情報の1つが「Dは、abcのスタイルを有するルートの第1の子孫ノードである」と説明される場合、ターゲットノードDからルートノードまでの直接パスを探し出すことができる。
完全なパスは、一連の相対位置情報から構成されており、相対位置情報の種類によって信頼性判定のルールは異なる。
パスの信頼性は、パス内を通過するノードの総数に基づいて判定される。通過するノードの数が多いほど、パスは長く、信頼性は低く、ロバスト性は低い。これは、ノードの総数が増加するにつれてパスの長さが長くなるためである。それらのノードのうちのいずれか1つの情報が変更される場合、ターゲットノードの不正確な位置決めが生じ得る。ノードの数が増加するにつれて、この種の危険性が増加し、したがって、信頼性が低下する。
ノードの位置情報を説明するとき、我々は、以下のように表現する:AはBのn番目の子ノードであり、Aは***のスタイルIDを有するn番目の子孫ノードである。ここで、シフト位置は、位置情報のシフト数(序数等)またはシフトの総数(合計数)を指す。シフト数が多いほど、シフトの総数は多く、信頼性は低い。これは、シフト位置がノード間の関係の親密さの程度を反映するためである。より大きいシフト位置は、ノード間の関係の親密性がより低く、したがって、信頼性が比較的低いことを示す。
完全なパスは、一連の相対位置情報から構成されており、相対位置情報の種類によって信頼性判定のルールは異なる。
パスの信頼性は、パス内を通過するノードの総数に基づいて判定される。通過するノードの数が多いほど、すなわち、パスが長いほど、信頼性は低い。
判定は、位置情報のシフト数(序数等)またはシフトの総数(合計数)を指すシフト位置に基づく。シフト数が多いほど、シフトの総数は多く、信頼性は低い。
[表6]
Sister Jiang Baidu Baike
Sister Jiangは、以前にJiang Zhiweiと呼ばれた有名な殉難者Jiang Zhuyunのニックネームである。Jiang Zhuyunは、1920年8月20日に四川省自貢市で生まれ……
Baike.baidu.com/view/59656.htm−ウェブページスクリーンショット−同様の結果
[表7]
Sister Jiang全シリーズ−オンラインで高解像度で観る−Youkuビデオチャンネル
Sister Jiang、Sister Jiangをオンラインで観る、Sister Jiang全シリーズ、Sister Jiangのテレビドラマ……
www.youku.com/show_page/id_zaa64e69ada5a11de97c0.html−ウェブページスクリーンショット
[表8]
<li class=“g”>
<div class=“vsc”sig=“GD-”rawurl= “http://baike.baidu.com/view/59656.htm”>
<div class=“vspi”></div>
<span class=“t1”>
<h8 class=“r”>
<a class=”1” onmousedown“return clk(this.href, “”, “”, “”, “1”, “”, ’occAAFjAA’)”href=“http://baike.baidu.com/view/59656.htm”>
<em>Sister Jiang</em>
_Baidu Baike
</a>
</h3>
<button class=“vspib”></button>
</span>
<div class=“s”>
</div>
</li>
[表9]
<li class=“g”>
<div class=“vsc”sig=“6G1”rawurl=“http:// www.youku.com/show_page/id_zaa64e69ada5a11de97c0.html”>
<div class=“vspi”></div>
<span class=“t1”>
<h8 class=“r”>
<a class=”1” onmousedown“return clk(this.href, “”, “”, “”, “1”, “”, ’occ8QFjAB’)”href=“http:// www.youku.com/show_page/id_zaa64e69ada5a11de97c0.html”>
<em>Sister Jiang</em>
全シリーズ−オンラインで高解像度で観る−Youkuビデオチャンネル
</a>
</h3>
<button class=“vspib”></button>
</span>
<div class=“s”>
</div>
</li>
第1のヘッダに関連するパス:
A.第1の「li」要素の第1の「em」要素の親
B.第1の「li」要素の第1の「a」要素
C.第1の「li」要素の「1」要素のクラスを有する第1の「a」要素
第2のヘッダに関連するパス:
A‘.第2の「li」要素の第1の「em」要素の親
B‘.第2の「li」要素の第1の「a」要素
C‘.第2の「li」要素の「1」要素のクラスを有する第1の「a」要素
対応する3対のパスは、同等であると判定され、すなわち、AおよびA’、BおよびB’、ならびにCおよびC’は、それらのシフトのみが異なるため、それぞれ、同等であると判定される。
パス(A∩B)は、ノードAおよびBに関連する同等のパスのセットを表し、
パス(A∪B)は、ノードAおよびBに関連するすべてのパスを含むセットを表し、
スコア(x)は、パスxのスコア減点を表す。
Claims (20)
- ウェブページ情報を抽出する方法であって、
実行可能な命令で構成される1つ以上のプロセッサの制御下で、
サンプルページの文書オブジェクトモデル(DOM)構造を分析して、前記DOM構造内の抽出される情報の位置を取得することと、
前記DOM構造内の抽出される前記情報の前記位置に対応するノードをターゲットノードとしてレンダリングし、前記ターゲットノードから開始して、事前に取得された相対位置情報をトラバースしてノードを取得して、前記ノードがルートノードであるかを判定し、そうでない場合、前記ルートノードが探し出されるまで別のノードを再帰的に探し続けて候補パスを作成し、前記ターゲットノードから前記ルートノードまでの取得された前記候補パスをパスセットとしてレンダリングすることと、
抽出されるページのDOM構造を分析し、前記パスセット内の前記ルートノードから開始するパスを用いて抽出される前記ページの前記DOM構造内に抽出される前記情報を配置し、抽出される前記ウェブページの前記DOM構造内の抽出される前記情報の前記位置に対応するノードを抽出されたノード候補セットとして取得することと、
最も高いロバスト性を有するノードを前記抽出されたノード候補セットから選択して、最後に抽出されたノードとし、前記抽出されたノードを用いて抽出された情報を取得することと、を含む、方法。 - 前記ターゲットノードから開始して、事前に取得された相対位置情報をトラバースしてノードを取得して、前記ノードがルートノードであるかを判定し、そうでない場合、前記ルートノードが探し出されるまで別のノードを再帰的に探し続けて候補パスを作成し、前記ターゲットノードから前記ルートノードまでの取得された前記候補パスをパスセットとしてレンダリングすることは、
前記ターゲットノードから開始して、前記ターゲットノードを現在のノードとしてレンダリングすることと、
事前に取得された前記現在のノードの最近傍の相対位置情報をトラバースし、それから相対位置iに対応するBiノードを選択し、Biが前記ルートノードであるかを判定することと、
Biが前記ルートノードであると判定された場合、そのパスをパスリストに追加し、そうでない場合、Biを前記現在のノードとして使用し、前記ルートノードが探し出されるまで別のノードを再帰的に探し出し、そのパスを前記パスリストに追加することと、
前記パスリスト内のパスを前記パスセットとしてレンダリングすることと、を含む、請求項1に記載の方法。 - 最も高いロバスト性を有するノードを前記抽出されたノード候補セットから選択して、最後に抽出されたノードとすることは、
信頼性判定のルールに基づいて、前記抽出されたノード候補セット内の抽出された候補ノードに対応するパスに関連するスコアを算出し、最も高いスコアを有するパスに対応するノードを前記最後に抽出されたノードとして選択することを含む、請求項2に記載の方法。 - 前記ターゲットノードから開始して、事前に取得された相対位置情報をトラバースしてノードを取得して、前記ノードがルートノードであるかを判定し、そうでない場合、前記ルートノードが探し出されるまで別のノードを再帰的に探し続けて候補パスを作成し、前記ターゲットノードから前記ルートノードまでの取得された前記候補パスをパスセットとしてレンダリングすることは、
前記ターゲットノードから開始して、前記ターゲットノードを現在のノードとしてレンダリングすることと、
事前に取得された前記現在のノードの最近傍の相対位置情報をトラバースし、それから相対位置iに対応するBiノードを選択し、Biが前記ルートノードであるかを判定することと、
Biが前記ルートノードであると判定された場合、そのパスをパスリストに追加することと、
Biが前記ルートノードではないと判定された場合、前記信頼性判定のルールに従ってスコア減点の条件を算出および判定し、前記スコア減点が設定閾値以下である場合、前記Biノードを前記現在のノードとして使用し、前記ルートノードが探し出されるまで別のノードを再帰的に探し続け、そのパスを前記パスリストに追加し、前記スコア減点が前記閾値を超える場合、現在のパス上での検索を停止することと、
前記パスリスト内で最小のスコア減点を有する最初のNパスを前記パスセットとして記憶することと、を含む、請求項1に記載の方法。 - 前記ターゲットノードから開始して、事前に取得された相対位置情報をトラバースしてノードを取得して、前記ノードがルートノードであるかを判定し、そうでない場合、前記ルートノードが探し出されるまで別のノードを再帰的に探し続けて候補パスを作成し、前記ターゲットノードから前記ルートノードまでの取得された前記候補パスをパスセットとしてレンダリングすることは、
前記ターゲットノードから開始して、前記ターゲットノードを現在のノードとしてレンダリングすることと、
事前に取得された前記現在のノードの最近傍の相対位置情報をトラバースし、それから相対位置iに対応するBiノードを選択し、Biが前記ルートノードであるかを判定することと、
Biが前記ルートノードであると判定された場合、そのパスをパスリストに追加し、そうでない場合、Biを前記現在のノードとして使用し、前記ルートノードが探し出されるまで別のノードを再帰的に探し出し、そのパスを前記パスリストに追加することと、
前記信頼性判定のルールに従って、スコア減点を前記パスリスト内にあるすべてのパスに対して行い、パスの合計スコア減点が前記閾値を超えるかを判定し、前記閾値を超えない場合、前記パスに関連する結果を保持することと、
前記パスリスト内で最小のスコア減点を有する最初のNパスを前記パスセットとして記憶することと、を含む、請求項1に記載の方法。 - 前記パスリスト内で最小のスコア減点を有する前記最初のNパスは、パスセットとして記憶され、Nは、既定の整数である、請求項5に記載の方法。
- 最も高いロバスト性を有するノードを前記抽出された候補ノードセットから選択して、最後に抽出されたノードとすることは、
最も高いスコアを有するパスに対応するノードを前記抽出されたノード候補セットから前記最後に抽出されたノードとして選択することを含む、請求項5に記載の方法。 - 前記信頼性判定のルールは、相対位置情報に関連するルール、ノードの総数に関連するルール、および/またはシフト位置情報に関連するルールを含む、請求項5に記載の方法。
- 事前に前記ノードに対応する前記相対位置情報を取得することは、
前記DOM構造をトラバースして、前記ノードのテキストおよびスタイル情報を取得することと、
前記テキストおよびスタイル情報を用いて、それぞれのノードの最近傍の相対位置情報を取得することと、を含む、請求項1に記載の方法。 - 前記ターゲットノードから前記ルートノードまでの取得された前記候補パスを前記パスセットとしてレンダリングするときに、
前記取得されたパスセット内の前記ノードのパス情報を用いて前記ノード間のパス類似性を算出し、繰り返し構造を有するパスを識別することをさらに含む、請求項1に記載の方法。 - 前記取得されたパスセット内の前記ノードのパス情報を用いて前記ノード間のパス類似性を算出し、繰り返し構造を有するパスを識別することは、
前記ノードの前記パス情報を用いて兄弟ノード間の前記パス類似性を算出することと、
前記パス類似性を用いて前記繰り返し構造を有するすべての兄弟ノードを取得し、前記繰り返し構造を有する兄弟ノードのシフト情報を記録することと、
前記繰り返し構造を有するすべての前記兄弟ノードによって所有される同等のパスを、抽出中に使用される前記パスセットとしてフィルタ処理することと、を含む、請求項10に記載の方法。 - 前記パスセットを用いて抽出される前記ウェブページの前記抽出されたノードセットを取得することは、
前記パスセットを用いて抽出される前記ウェブページの前記抽出されたノード候補セットを取得し、パスが繰り返し構造を指す場合、前記繰り返し構造を有する前記兄弟ノードの前記シフト情報を用いて、前記繰り返し構造を有する複数のパスを抽出し、抽出される前記ウェブページ情報に対応する前記ノードを前記抽出されたノード候補セットとして取得することを含む、請求項11に記載の方法。 - 前記パスセットに対する前記最後に抽出されたノードに対応する前記パスの重みを設定閾値と比較して、関連した抽出が成功したかを判定し、それから得られた結果が前記設定閾値を超える場合、前記抽出が失敗したと判定し、前記得られた結果が前記設定閾値以下である場合、前記抽出が成功したと判定することをさらに含む、請求項に1記載の方法。
- ウェブページ情報を抽出するシステムであって、
サンプルページの文書オブジェクトモデル(DOM)構造を分析し、前記DOM構造内の抽出される情報の位置を取得するために使用される、サンプルページ抽出情報位置取得ユニットと、
前記DOM構造内に抽出される前記情報の前記位置に対応するノードをターゲットノードとしてレンダリングし、前記ターゲットノードから開始して、事前に取得された相対位置情報をトラバースしてノードを取得して、前記ノードがルートノードであるかを判定し、そうでない場合、前記ルートノードが探し出されるまで別のノードを再帰的に探し続けて候補パスを作成し、前記ターゲットノードから前記ルートノードまでの取得された前記候補パスをパスセットとしてレンダリングするために使用される、パスセット取得ユニットと、
抽出されるページのDOM構造を分析し、前記パスセット内の前記ルートノードから開始するパスを用いて抽出される前記ページの前記DOM構造内に抽出される前記情報を配置し、抽出されるページの前記DOM構造内の抽出される前記情報の前記位置に対応するノードを抽出されたノード候補セットとして取得するために使用される、抽出されたノード候補取得ユニットと、
最も高いロバスト性を有するノードを前記抽出されたノード候補セットから選択して、最後に抽出されたノードとし、前記抽出されたノードを用いて抽出された情報を取得するために使用される、抽出された情報取得ユニットと、を備える、システム。 - 前記DOM構造をトラバースして、ノードのテキストおよびスタイル情報を取得し、前記テキストおよびスタイル情報を用いて、それぞれのノードの最近傍の相対位置情報を取得するために使用される、ノード位置情報取得サブユニットをさらに備える、請求項15に記載のシステム。
- 前記取得されたパスセット内の前記ノードのパス情報を用いて前記ノード間のパス類似性を算出し、繰り返し構造を有するパスを識別するために使用される、繰り返し構造認識ユニットをさらに備える、請求項15に記載のシステム。
- 前記繰り返し構造認識ユニットは、
前記ノードの前記パス情報を用いて兄弟ノード間の前記パス類似性を算出するために使用される、パス類似性算出サブユニットと、
前記パス類似性を用いて前記繰り返し構造を有するすべての兄弟ノードを取得する、繰り返し兄弟ノード取得サブユニットと、
前記繰り返し構造を有する兄弟ノードのシフト情報を記録するために使用される、シフト情報記録サブユニットと、
前記繰り返し構造を有するすべての前記兄弟ノードによって所有される同等のパスを抽出中に使用される前記パスセットとしてフィルタ処理するために使用される、同等のパス取得サブユニットと、を備える、請求項17に記載のシステム。 - 前記パスセットに対する前記最後に抽出されたノードに対応する前記パスの重みを設定閾値と比較して、関連した抽出が成功したかを判定する抽出結果判定ユニットをさらに備える、請求項15に記載のシステム。
- 1つ以上のプロセッサによって実行されるときに、行為を行うように前記1つ以上のプロセッサを設定する、実行可能な命令を記憶する1つ以上のコンピュータ可読媒体であって、前記行為が、
サンプルページの文書オブジェクトモデル(DOM)構造を分析して、前記DOM構造内の抽出される情報の位置を取得することと、
前記DOM構造内に抽出される前記情報の前記位置に対応するノードをターゲットノードとしてレンダリングし、前記ターゲットノードから開始して、事前に取得された相対位置情報をトラバースしてノードを取得して、前記ノードがルートノードであるかを判定し、そうでない場合、前記ルートノードが探し出されるまで別のノードを再帰的に探し続けて候補パスを作成し、前記ターゲットノードから前記ルートノードまでの取得された前記候補パスをパスセットとしてレンダリングすることと、
抽出されるページのDOM構造を分析し、前記パスセット内の前記ルートノードから開始するパスを用いて抽出される前記ページの前記DOM構造内に抽出される前記情報を配置し、抽出される前記ウェブページの前記DOM構造内の抽出される前記情報の前記位置に対応するノードを抽出されたノード候補セットとして取得することと、
最も高いロバスト性を有するノードを前記抽出されたノード候補セットから選択して、最後に抽出されたノードとし、前記抽出されたノードを用いて抽出された情報を取得することと、を含む、1つ以上のコンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110161113.6 | 2011-06-15 | ||
CN201110161113.6A CN102831121B (zh) | 2011-06-15 | 2011-06-15 | 一种网页信息抽取的方法和系统 |
PCT/US2012/042284 WO2012174137A1 (en) | 2011-06-15 | 2012-06-13 | Method and system of extracting web page information |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016105581A Division JP6141490B2 (ja) | 2011-06-15 | 2016-05-26 | ウェブページ情報を抽出する方法およびシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014523016A JP2014523016A (ja) | 2014-09-08 |
JP5944985B2 true JP5944985B2 (ja) | 2016-07-05 |
Family
ID=47334264
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014515962A Active JP5944985B2 (ja) | 2011-06-15 | 2012-06-13 | ウェブページ情報を抽出する方法およびシステム |
JP2016105581A Active JP6141490B2 (ja) | 2011-06-15 | 2016-05-26 | ウェブページ情報を抽出する方法およびシステム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016105581A Active JP6141490B2 (ja) | 2011-06-15 | 2016-05-26 | ウェブページ情報を抽出する方法およびシステム |
Country Status (7)
Country | Link |
---|---|
US (2) | US9053206B2 (ja) |
EP (1) | EP2721517B1 (ja) |
JP (2) | JP5944985B2 (ja) |
CN (1) | CN102831121B (ja) |
HK (1) | HK1173821A1 (ja) |
TW (1) | TW201250492A (ja) |
WO (1) | WO2012174137A1 (ja) |
Families Citing this family (54)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10055718B2 (en) | 2012-01-12 | 2018-08-21 | Slice Technologies, Inc. | Purchase confirmation data extraction with missing data replacement |
US20140201623A1 (en) * | 2013-01-17 | 2014-07-17 | Bazaarvoice, Inc | Method and system for determining and using style attributes of web content |
CA2816781C (en) * | 2013-05-28 | 2022-07-05 | Ibm Canada Limited - Ibm Canada Limitee | Identifying client states |
US9747262B1 (en) * | 2013-06-03 | 2017-08-29 | Ca, Inc. | Methods, systems, and computer program products for retrieving information from a webpage and organizing the information in a table |
WO2015013899A1 (en) * | 2013-07-31 | 2015-02-05 | Empire Technology Development Llc | Information extraction from semantic data |
CN103942309B (zh) * | 2014-04-18 | 2017-06-30 | 网易乐得科技有限公司 | 一种网络数据获取设备、方法及获取过程的实现方法 |
TWI549008B (zh) * | 2014-07-30 | 2016-09-11 | Chunghwa Telecom Co Ltd | A large number of data into the system and methods of screening management |
CN104462540B (zh) * | 2014-12-24 | 2018-03-30 | 中国科学院声学研究所 | 网页信息抽取方法 |
CN104572934B (zh) * | 2014-12-29 | 2016-03-30 | 西安交通大学 | 一种基于dom的网页关键内容抽取方法 |
CN104794168B (zh) * | 2015-03-30 | 2018-06-05 | 明博教育科技有限公司 | 一种知识点关联方法及系统 |
CN106547520B (zh) * | 2015-09-16 | 2021-05-28 | 腾讯科技(深圳)有限公司 | 一种代码路径分析方法及装置 |
CN105095527A (zh) * | 2015-09-29 | 2015-11-25 | 北京奇虎科技有限公司 | 基于链接地址的搜索方法及装置 |
CN105426352A (zh) * | 2015-11-24 | 2016-03-23 | 国家电网公司 | 模板文档自动生成方法 |
CN105677638B (zh) * | 2016-01-05 | 2018-10-09 | 北京工业大学 | Web信息抽取方法 |
KR101722157B1 (ko) * | 2016-01-06 | 2017-04-03 | (주)포그리트 | 정보 수집 장치 및 이를 이용한 웹 사이트의 정보 수집 방법 |
KR101722161B1 (ko) * | 2016-01-06 | 2017-04-03 | (주)포그리트 | 웹 사이트의 사용성 분석 장치 및 이를 이용한 웹 사이트의 사용성 분석 방법 |
CN107807927B (zh) * | 2016-09-08 | 2022-04-29 | 阿里巴巴(中国)有限公司 | 基于下发规则的页面解析方法、装置、客户端设备及系统 |
US10331758B2 (en) | 2016-09-23 | 2019-06-25 | Hvr Technologies Inc. | Digital communications platform for webpage overlay |
GB2558870A (en) * | 2016-10-25 | 2018-07-25 | Parrotplay As | Internet browsing |
CN108009171B (zh) * | 2016-10-27 | 2020-06-30 | 腾讯科技(北京)有限公司 | 一种提取内容数据的方法和装置 |
CN116738106A (zh) * | 2016-12-21 | 2023-09-12 | 开文公司 | 用于将web内容转化为可重复使用的模板和组件的系统和方法 |
CN106599280B (zh) * | 2016-12-23 | 2019-11-22 | 北京奇虎科技有限公司 | 确定网页节点路径信息的方法及装置 |
CN106951451B (zh) * | 2017-02-22 | 2019-11-12 | 麒麟合盛网络技术股份有限公司 | 一种网页内容提取方法、装置及计算设备 |
CN107038240B (zh) * | 2017-04-20 | 2020-07-24 | 金电联行(北京)信息技术有限公司 | 一种网页列表内容检测方法 |
US10447635B2 (en) | 2017-05-17 | 2019-10-15 | Slice Technologies, Inc. | Filtering electronic messages |
CN107463372B (zh) * | 2017-07-07 | 2020-10-13 | 北京小米移动软件有限公司 | 一种数据驱动的页面更新方法和装置 |
CN107463676B (zh) * | 2017-08-04 | 2020-06-30 | 杭州安恒信息技术股份有限公司 | 文本数据存储方法及装置 |
CN107729481B (zh) * | 2017-10-16 | 2020-10-13 | 鼎富智能科技有限公司 | 一种自定义规则的文本信息抽取结果筛选方法及装置 |
CN107919129A (zh) * | 2017-11-15 | 2018-04-17 | 百度在线网络技术(北京)有限公司 | 用于控制页面的方法和装置 |
US11803883B2 (en) | 2018-01-29 | 2023-10-31 | Nielsen Consumer Llc | Quality assurance for labeled training data |
US10922366B2 (en) * | 2018-03-27 | 2021-02-16 | International Business Machines Corporation | Self-adaptive web crawling and text extraction |
CN108563729B (zh) * | 2018-04-04 | 2022-04-01 | 福州大学 | 一种基于dom树的招标网站中标信息抽取方法 |
CN108694242B (zh) * | 2018-05-14 | 2023-03-21 | 中国平安财产保险股份有限公司 | 基于dom的节点查找方法、设备、存储介质及装置 |
CN108920434B (zh) * | 2018-06-06 | 2022-08-30 | 武汉酷犬数据科技有限公司 | 一种通用的网页主题内容提取方法和系统 |
US10846463B2 (en) * | 2018-08-01 | 2020-11-24 | Citrix Systems, Inc. | Document object model (DOM) element location platform |
CN109582886B (zh) * | 2018-11-02 | 2022-05-10 | 北京字节跳动网络技术有限公司 | 页面内容提取方法、模板的生成方法及装置、介质及设备 |
US11226727B2 (en) * | 2018-11-12 | 2022-01-18 | Citrix Systems, Inc. | Systems and methods for live tiles for SaaS |
US20200186623A1 (en) * | 2018-12-11 | 2020-06-11 | Microsoft Technology Licensing, Llc | Performant retrieval and presentation of content |
CN109657180B (zh) * | 2018-12-11 | 2021-11-26 | 中科国力(镇江)智能技术有限公司 | 一种智能化网页内容自动模糊抽取系统 |
CN110163654B (zh) * | 2019-04-15 | 2021-09-17 | 上海趣蕴网络科技有限公司 | 一种广告投放数据追踪方法和系统 |
US11205041B2 (en) * | 2019-08-15 | 2021-12-21 | Anil Kumar | Web element rediscovery system and method |
CN112530616B (zh) * | 2019-09-18 | 2024-01-26 | 北京广利核系统工程有限公司 | 一种核电站应急操作规程的判断方法及装置 |
CN111090797B (zh) * | 2019-11-29 | 2023-07-25 | 苏宁云计算有限公司 | 数据获取方法、装置、计算机设备和存储介质 |
CN111241436A (zh) * | 2019-12-31 | 2020-06-05 | 五八有限公司 | 一种数据请求处理方法、装置、终端设备及存储介质 |
CN111698364B (zh) * | 2020-06-19 | 2021-09-21 | 深圳市小满科技有限公司 | 联系人信息提取方法、相关设备及计算机可读存储介质 |
US11416381B2 (en) | 2020-07-17 | 2022-08-16 | Micro Focus Llc | Supporting web components in a web testing environment |
CN112182319B (zh) * | 2020-09-23 | 2024-03-26 | 中国建设银行股份有限公司 | 网页相似度确定方法、网页聚类方法、装置及电子设备 |
CN112347332A (zh) * | 2020-11-17 | 2021-02-09 | 南开大学 | 一种基于XPath的爬虫目标定位方法 |
CN112579957A (zh) * | 2020-12-23 | 2021-03-30 | 中国电子信息产业集团有限公司第六研究所 | 一种基于图像分析的智能化网页内容解析方法 |
CN112765941A (zh) * | 2021-01-21 | 2021-05-07 | 语联网(武汉)信息技术有限公司 | 自动提取网页正文的方法及系统 |
CN113515917A (zh) * | 2021-04-19 | 2021-10-19 | 北京明略昭辉科技有限公司 | 文件信息管理方法、系统、电子设备及存储介质 |
US11841909B2 (en) | 2022-02-11 | 2023-12-12 | International Business Machines Corporation | Text analytics views for web site sources |
CN114491325A (zh) * | 2022-02-16 | 2022-05-13 | 平安科技(深圳)有限公司 | 网页数据的提取方法和装置、计算机设备、存储介质 |
US11960561B2 (en) * | 2022-07-28 | 2024-04-16 | Siteimprove A/S | Client-side generation of lossless object model representations of dynamic webpages |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6654734B1 (en) * | 2000-08-30 | 2003-11-25 | International Business Machines Corporation | System and method for query processing and optimization for XML repositories |
US7213200B2 (en) * | 2002-04-23 | 2007-05-01 | International Business Machines Corporation | Selectable methods for generating robust XPath expressions |
US7086042B2 (en) * | 2002-04-23 | 2006-08-01 | International Business Machines Corporation | Generating and utilizing robust XPath expressions |
US7127467B2 (en) * | 2002-05-10 | 2006-10-24 | Oracle International Corporation | Managing expressions in a database system |
JP2005301437A (ja) * | 2004-04-07 | 2005-10-27 | Hitachi Ins Software Ltd | 適応型ウエブページデータ抽出装置および抽出プログラム |
US7584194B2 (en) | 2004-11-22 | 2009-09-01 | Truveo, Inc. | Method and apparatus for an application crawler |
GB0428365D0 (en) * | 2004-12-24 | 2005-02-02 | Ibm | Methods and apparatus for generating a parser and parsing a document |
US20070073592A1 (en) | 2005-09-28 | 2007-03-29 | Redcarpet, Inc. | Method and system for network-based comparision shopping |
WO2007099544A2 (en) * | 2006-03-01 | 2007-09-07 | Infogin Ltd. | Methods and apparatus for enabling use of web content on various types of devices |
CN101094194B (zh) | 2006-06-19 | 2010-06-23 | 腾讯科技(深圳)有限公司 | 一种提取Web页面中用户所需Web信息的方法 |
US9547648B2 (en) | 2006-08-03 | 2017-01-17 | Excalibur Ip, Llc | Electronic document information extraction |
TW200836075A (en) | 2007-02-16 | 2008-09-01 | Esobi Inc | Method of converting hypertext markup language web page into pure text and system thereof |
US8719291B2 (en) * | 2007-04-24 | 2014-05-06 | Lixto Software Gmbh | Information extraction using spatial reasoning on the CSS2 visual box model |
US20080320031A1 (en) * | 2007-06-19 | 2008-12-25 | C/O Canon Kabushiki Kaisha | Method and device for analyzing an expression to evaluate |
US7765236B2 (en) | 2007-08-31 | 2010-07-27 | Microsoft Corporation | Extracting data content items using template matching |
US8589366B1 (en) * | 2007-11-01 | 2013-11-19 | Google Inc. | Data extraction using templates |
US20090125529A1 (en) * | 2007-11-12 | 2009-05-14 | Vydiswaran V G Vinod | Extracting information based on document structure and characteristics of attributes |
US20090204889A1 (en) * | 2008-02-13 | 2009-08-13 | Mehta Rupesh R | Adaptive sampling of web pages for extraction |
US8923806B2 (en) * | 2008-03-14 | 2014-12-30 | William J. Johnson | System and method for presenting application data by data processing system(s) in a vicinity |
US20090248707A1 (en) * | 2008-03-25 | 2009-10-01 | Yahoo! Inc. | Site-specific information-type detection methods and systems |
US20100083095A1 (en) * | 2008-09-29 | 2010-04-01 | Nikovski Daniel N | Method for Extracting Data from Web Pages |
US20100169311A1 (en) * | 2008-12-30 | 2010-07-01 | Ashwin Tengli | Approaches for the unsupervised creation of structural templates for electronic documents |
WO2011002456A1 (en) | 2009-06-30 | 2011-01-06 | Hewlett-Packard Development Company, L.P. | Selective content extraction |
CN101944094B (zh) * | 2009-07-06 | 2014-06-18 | 富士通株式会社 | 网页信息提取方法和装置 |
US20110040770A1 (en) | 2009-08-13 | 2011-02-17 | Yahoo! Inc. | Robust xpaths for web information extraction |
WO2011063561A1 (en) | 2009-11-25 | 2011-06-03 | Hewlett-Packard Development Company, L. P. | Data extraction method, computer program product and system |
US9449114B2 (en) | 2010-04-15 | 2016-09-20 | Paypal, Inc. | Removing non-substantive content from a web page by removing its text-sparse nodes and removing high-frequency sentences of its text-dense nodes using sentence hash value frequency across a web page collection |
US8555155B2 (en) * | 2010-06-04 | 2013-10-08 | Apple Inc. | Reader mode presentation of web content |
-
2011
- 2011-06-15 CN CN201110161113.6A patent/CN102831121B/zh active Active
- 2011-08-09 TW TW100128351A patent/TW201250492A/zh unknown
-
2012
- 2012-06-13 US US13/522,463 patent/US9053206B2/en active Active
- 2012-06-13 JP JP2014515962A patent/JP5944985B2/ja active Active
- 2012-06-13 WO PCT/US2012/042284 patent/WO2012174137A1/en active Application Filing
- 2012-06-13 EP EP12800504.8A patent/EP2721517B1/en active Active
-
2013
- 2013-01-28 HK HK13101167.0A patent/HK1173821A1/xx unknown
-
2015
- 2015-04-28 US US14/697,696 patent/US9767211B2/en active Active
-
2016
- 2016-05-26 JP JP2016105581A patent/JP6141490B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
US20150242527A1 (en) | 2015-08-27 |
US20130014002A1 (en) | 2013-01-10 |
JP2016154052A (ja) | 2016-08-25 |
US9053206B2 (en) | 2015-06-09 |
WO2012174137A1 (en) | 2012-12-20 |
EP2721517A1 (en) | 2014-04-23 |
HK1173821A1 (en) | 2013-05-24 |
US9767211B2 (en) | 2017-09-19 |
CN102831121A (zh) | 2012-12-19 |
EP2721517A4 (en) | 2015-04-22 |
TW201250492A (en) | 2012-12-16 |
JP2014523016A (ja) | 2014-09-08 |
EP2721517B1 (en) | 2019-08-28 |
CN102831121B (zh) | 2015-07-08 |
JP6141490B2 (ja) | 2017-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6141490B2 (ja) | ウェブページ情報を抽出する方法およびシステム | |
US10152488B2 (en) | Static-analysis-assisted dynamic application crawling architecture | |
JP5015935B2 (ja) | モバイルサイトマップ | |
US9734149B2 (en) | Clustering repetitive structure of asynchronous web application content | |
JP5856139B2 (ja) | 仮想ドキュメントを用いたインデックス付与と検索 | |
US9836438B2 (en) | Methods and systems of outputting content of interest | |
US11580177B2 (en) | Identifying information using referenced text | |
JP2010086517A (ja) | コンピュータによって実施される、ウェブページからデータを抽出する方法 | |
JP4189369B2 (ja) | 構造化文書検索装置及び構造化文書検索方法 | |
JP6966158B2 (ja) | 検索データを処理するための方法、装置及びプログラム | |
US10810181B2 (en) | Refining structured data indexes | |
CN108804458A (zh) | 一种爬虫网页采集方法和装置 | |
Kumar | Apache Solr search patterns | |
US20120072824A1 (en) | Content acquisition documents, methods, and systems | |
US20160117352A1 (en) | Apparatus and method for supporting visualization of connection relationship | |
JP2012059212A (ja) | 抽出装置、抽出方法及び抽出プログラム | |
Gao et al. | Stable web scraping: an approach based on neighbour zone and path similarity of page elements | |
US9426237B2 (en) | Web navigation using web navigation pattern histories | |
Jánosi-Rancz et al. | Semantic data extraction | |
KR20230174123A (ko) | 룰셋 기반의 웹사이트 크롤링을 위한 클라우드 서버 | |
Zheng | Effective methods for web crawling and web information extraction | |
CN117852517A (zh) | 网页相似度的确定方法、装置、电子设备及可读存储介质 | |
Vlachou | Report on prototype implementation of Pausanias | |
Harun-Or-rashid | Mining Multiple Web Sources Using Non-Deterministic Finite State Automata | |
Sweet | Reconstructing the Boundary of a Web Document |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20150515 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20160314 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160426 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160526 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5944985 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |