CN115238078A - 一种网页信息抽取方法、装置、设备及存储介质 - Google Patents

一种网页信息抽取方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115238078A
CN115238078A CN202210959612.8A CN202210959612A CN115238078A CN 115238078 A CN115238078 A CN 115238078A CN 202210959612 A CN202210959612 A CN 202210959612A CN 115238078 A CN115238078 A CN 115238078A
Authority
CN
China
Prior art keywords
entity
node
target
title
node set
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
Application number
CN202210959612.8A
Other languages
English (en)
Inventor
周立运
其他发明人请求不公开姓名
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.)
Digital Cube Beijing Pharmaceutical Technology Co ltd
Original Assignee
Digital Cube Beijing Pharmaceutical 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 Digital Cube Beijing Pharmaceutical Technology Co ltd filed Critical Digital Cube Beijing Pharmaceutical Technology Co ltd
Priority to CN202210959612.8A priority Critical patent/CN115238078A/zh
Publication of CN115238078A publication Critical patent/CN115238078A/zh
Pending legal-status Critical Current

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/258—Heading extraction; Automatic titling; Numbering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种网页信息抽取方法、装置、设备及存储介质，属于互联网技术领域。该方法包括：对待处理网页进行解析，得到目标树对象、以及所述目标树对象中节点对应的文本信息；基于目标标题分类器和目标实体分类器，分别对所述目标树对象中节点对应的文本信息进行处理，并根据处理结果从所述目标树对象中确定标题节点集合和实体节点集合；基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到所述待处理网页的实体信息；根据所述标题节点集合和所述实体节点集合，确定所述待处理网页的内容位置信息。通过上述技术方案，能够实现对结构灵活的网页进行信息抽取。

Description

一种网页信息抽取方法、装置、设备及存储介质
技术领域
本发明涉及互联网技术领域，尤其涉及一种网页信息抽取方法、装置、设备及存储介质。
背景技术
处于互联网时代的今天，网页成了大多数人认识世界的重要信息载体。同时，由于网页通常包含或多或少的噪音文本，因此人们对于从网页中挖掘有效信息的需求越来越多。
在工业数据挖掘过程中，主要任务是进行实体抽取以用于专业领域的数据分析；但也通常附加网页内容的抽取任务，所抽取的网页内容需包含所抽取的实体，以屏蔽用于网页中无关的文本块，对抽取实体的上下文进行局部展示。但是，已有的网页内容抽取方案，大多数只适用于结构固定的网页，对于来源于不同站点的数据都需要重新设置对应的抽取策略，缺乏通用性，因此，亟需改进。
发明内容
本发明提供了一种网页信息抽取方法、装置、设备及存储介质，以实现对结构灵活的网页进行信息抽取。
根据本发明的一方面，提供了一种网页信息抽取方法，该方法包括：
对待处理网页进行解析，得到目标树对象、以及所述目标树对象中节点对应的文本信息；
基于目标标题分类器和目标实体分类器，分别对所述目标树对象中节点对应的文本信息进行处理，并根据处理结果从所述目标树对象中确定标题节点集合和实体节点集合；
基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到所述待处理网页的实体信息；
根据所述标题节点集合和所述实体节点集合，确定所述待处理网页的内容位置信息
根据本发明的另一方面，提供了一种网页信息抽取装置，该装置包括：
网页信息解析模块，用于对待处理网页进行解析，得到目标树对象、以及所述目标树对象中节点对应的文本信息；
节点集合确定模块，用于基于目标标题分类器和目标实体分类器，分别对所述目标树对象中节点对应的文本信息进行处理，并根据处理结果从所述目标树对象中确定标题节点集合和实体节点集合；
实体信息确定模块，用于基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到所述待处理网页的实体信息；
内容位置信息确定模块，用于根据所述标题节点集合和所述实体节点集合，确定所述待处理网页的内容位置信息。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的网页信息抽取方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的网页信息抽取方法。
本发明实施例的技术方案，通过对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息，之后基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合，进而基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息，最后根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。上述技术方案，引入标题分类器和实体分类器，即双分类器来过滤标题节点和实体节点，通过这两个辅助分类器，可以对不同结构的网页进行信息抽取，增强了通用性；同时还可以提高网页信息抽取的准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种网页信息抽取方法的流程图；
图2A是根据本发明实施例二提供的一种网页信息抽取方法的流程图；
图2B是根据本发明实施例二提供的一种候选内容节点确定的示意图；
图3是根据本发明实施例三提供的一种网页信息抽取方法的流程图；
图4是根据本发明实施例四提供的一种网页信息抽取装置的结构示意图；
图5是实现本发明实施例的网页信息抽取方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“样本”、“目标”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
此外，还需要说明的是，本发明的技术方案中，所涉及的待处理网页等的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
实施例一
图1是根据本发明实施例一提供的一种网页信息抽取方法的流程图。本实施例可适用于如何对网页信息进行抽取的情况，该方法可以由网页信息抽取装置来执行，该网页信息抽取装置可以采用硬件和/或软件的形式实现，该网页信息抽取装置可集成于承载网页信息抽取功能的电子设备中，例如服务器中。如图1所示，本实施例的网页信息抽取方法可以包括：
S110、对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息。
本实施例中，待处理网页是指需要进行信息抽取的网页文档，例如可以是HTML(Hyper Text Markup Language)文档。需要说明的是，HTML文档是网页的具体数据表现形式，网页是HTML文档经过浏览器渲染后的呈现形式；HTML文档包含诸如div、p、table等HTML标签或者CSS、JavaScript代码等，除有效网页内容外还有大量无关的文字；HTML是标准的树形结构，每个HTML节点按照层级关系组织，形成一个文档树结构即文档对象模型(Document Object Model，DOM)。
目标树对象是指待处理网页对应的文档树结构，即DOM树。
目标树对象中节点对应的文本信息是指目标树对象中各节点对应的网页中的文本信息。
具体的，可以基于HTML解析工具(如Lxml)，对待处理网页进行解析，得到待处理网页对应的目标树对象、以及目标树对象中节点对应的文本信息。
S120、基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合。
本实施例中，目标标题分类器是指用于确定目标树对象中节点是标题节点的分类器。目标实体分类器是指用于确定目标树对象中节点是实体节点的分类器。
其中，标题节点是指标题类的节点；需要说明的是，本发明中的标题可以理解为一个具有较为明显标志的类标题的小段落，其文本有一定规律，一般可以是一个小节起始、表头等等。实体节点是指实体类的节点。
具体的，对于目标树对象中的每一节点，分别将该节点对应的文本信息输入目标标题分类器和目标实体分类器，经过分类器处理，得到该节点对应的文本信息所属类别，之后根据该节点对应的文本信息所属类别，确定该节点是标题节点还是实体节点，具体可以是，若该节点对应的文本信息所属类别为标题类别，则该节点为标题节点；若该节点对应的文本信息所属类别为实体类别，则该节点为实体节点。也就是说，通过如上方式，可以从目标树对象中确定标题节点集合，以及实体节点集合。
需要说明的是，所谓实体，即HTML文档最小组成元素的整体或者局部文本，比如专业领域的词或词组。所谓标题，即实体所属段落、表格或章节等的标题。
S130、基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息。
本实施例中，目标实体识别模型是指用于进行实体识别的模型。实体信息是指待处理网页中包含的实体内容。
具体的，可以将实体节点集合中各节点对应的文本信息，输入目标实体识别模型，进行实体抽取，得到待处理网页的实体信息。
S140、根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。
本实施例中，内容位置信息是指实体信息所属的或者对应的节点信息，示例性的，表现形式可以是路径选择信息，比如XPath路径选择信息。例如，需要抽取的段落对一个项目进行表述，目标实体“医院液氧供氧服务”存在于该段落中，并且该段落前有一个诸如“三、主要标的信息”的代表性标题，即将该段落所对应的节点信息，作为内容位置信息，也可以理解为实体信息对应的大致位置信息。
可选的，可以基于一定的规则，根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。例如，可以基于位置确定模型，根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。
需要说明的是，本发明中S130和S140的执行顺序不作具体限定，可以同时执行，或者先执行S130后执行S140，或者先执行S140后执行S130。
本发明实施例的技术方案，通过对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息，之后基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合，进而基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息，最后根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。上述技术方案，引入标题分类器和实体分类器，即双分类器来过滤标题节点和实体节点，通过这两个辅助分类器，可以对不同结构的网页进行信息抽取，增强了通用性；同时还可以提高网页信息抽取的准确性。
实施例二
图2是根据本发明实施例二提供的一种网页信息抽取方法的流程图。本实施例与上述实施例之的基础上，对“根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息”进一步优化，提供一种可选实施方案。如图2所示，本实施例的网页信息抽取方法可以包括：
S210、对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息。
S220、基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合。
S230、基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息。
S240、对标题节点集合和实体节点集合进行节点匹配，得到标题实体节点对集合。
本实施例中，标题节点对是指实体的节点与实体对应标题的节点组成的节点对。标题节点对集合是指目标树对象中的标题节点对组成的集合。
可选的，可以基于一定的节点匹配规则，对标题节点集合和实体节点集合进行节点匹配，得到标题实体节点对集合。例如，可以根据标题节点集合中节点与实体节点集合中节点之间的距离，对标题节点集合和实体节点集合进行节点匹配，得到标题实体节点对。具体的，对于实体节点集合中的每一实体节点，确定该实体节点与标题节点集合中各标题节点之间的距离，选取距离最小对应的标题节点集合中的节点，作为该实体节点对应的标题节点，即将该实体节点以及该实体节点对应的标题节点，组成一对标题实体节点对。例如，节点a为实体节点，节点b为标题节点，节点p为节点a和节点b的最小公共祖先节点，则节点a和节点b之间的距离可以根据节点在目标树对象中的深度来确定，具体可以是，dist(a，b)＝[h(a)-h(p)]+[h(b)-h(p)]＝h(a)+h(b)-2h(p)，其中h(n)表示节点n的深度，dist(a，b)表示节点a和节点b之间的距离。特别地，若节点a为节点b的子孙节点，则节点a和节点b的最小公共祖先节点为节点b，即p＝b，则dist(a，b)＝h(a)-h(b)。
S250、根据标题实体节点对集合、以及目标树对象中节点之间的层级关系，从目标树对象中确定目标内容节点集合。
本实施例中，目标内容节点是指包含实体节点和实体节点对应的标题节点的上一层级的节点，也可以理解为包含实体内容和实体内容对应的标题所属的区域对应的节点，比如某实体内容及其标题所在的段落对应的节点，或者某实体内容及其标题所在的表格对应的节点等。
可选的，根据标题实体节点对集合、以及目标树对象中节点之间的层级关系，从目标树对象中确定候选内容节点集合；对候选内容节点集合进行去重处理，得到目标内容节点集合。
具体的，对于每一标题实体节点对，根据目标树对象中节点之间的层级关系，从目标树对象中确定该标题实体节点对的最小公共祖先节点；将最小公共祖先节点，作为该标题实体节点对的候选内容节点。示例性的，图2B给出了一种待处理网页的目标树对象的具体形式，如图2B所示实体节点entity node，标题节点subtitle node，二者的最小公共祖先节点为tbody，则该tbody节点为实体节点entity node和标题节点subtitle node的候选内容节点。
进一步的，在同一标题节点下，可以存在多个实体节点，此时，就会出现在多个标题实体节点对中，有相同的标题节点，因此所得到的候选内容节点也会有多个。因此，可以对候选内容节点集合进行去重处理，即将相同的候选内容节点去掉，以得到目标内容节点集合。
S260、根据目标内容节点集合，确定待处理网页的内容位置信息。
本发明实施例的技术方案，通过对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息，之后基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合，进而基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息，最后对标题节点集合和实体节点集合进行节点匹配，得到标题实体节点对集合，并根据标题实体节点对集合、以及目标树对象中节点之间的层级关系，从目标树对象中确定目标内容节点集合，根据目标内容节点集合，确定待处理网页的内容位置信息。上述技术方案，通过节点之间的层级关系，来确定目标内容节点，以确定内容位置信息，即确定实体所处的区域，使得内容位置信息确定更加准确。
实施例三
图3是根据本发明实施例三提供的一种网页信息抽取方法的流程图。本实施例在上述实施例的基础上，进一步对“目标标题分类器”、“目标实体分类器”和“目标实体识别模型”的确定方式进行详细阐述，提供一种可选实施方案。如图3所示，本实施例的网页信息抽取方法可以包括：
S310、对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息。
S320、基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合。
本实施例中，目标标题分类器和目标实体分类器可以通过如下方式得到：根据样本分类数据集，对待训练的分类器进行训练，得到目标标题分类器和目标实体分类器；样本分类数据集包括至少一个节点对应的文本信息，以及至少一个节点对应的标签信息。
其中，标签信息为节点对应的文本信息的标签，即节点所属的标签，可以是标题标签或者实体标签。示例性的，比如，需要抽取的段落对一个项目进行表述，目标实体“医院液氧供氧服务”存在于该段落中，并且该段落前有一个诸如“三、主要标的信息”的代表性标题，则可对“主要标的信息”这几个文字用“标题”标签进行标注，同时对“医院液氧供氧服务”这几个文字使用“实体”标签进行标注；又比如，如果需要抽取的内容是一个表格，并且表格标题的一列是“标项内容”，这一列对应数据“IVC独立送风***”是目标实体，则分别将表中的“标项内容”和“IVC独立送风***”分别用“标题”标签和“实体”标签进行标注。
需要说明的是，样本分类数据集中每一条样本数据为节点对应的文本信息、文本信息对应的标题标签和实体标签，这样的三元组(x(t)，yl，ye)，其中x(t)表示节点t的文本，yl表示标题标签，ye表示实体标签。
具体的，可以根据样本分类数据，分别对待训练的分类器进行训练，得到目标标题分类器和目标实体分类器。
S330、基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息。
本实施例中，样本分类数据集中的样本数据还基于特定的标注工具进行标注，即标注结果中包括标注区域的起止字符位置和相对于DOM树的路径选择信息。例如，可以通过label-studio进行样本分类数据的标注；其中，label-studio是一款支持多种数据格式的开源的数据标注***，能将导入的标注HTML文档进行渲染，为用户提供通过鼠标拖动选取文字的形式对目标区域高亮显示，并且导出标注结果的元数据提供了标注区域的起止字符位置和相对于DOM树的XPath路径选择信息。
具体的，从样本分类数据集中，抽取标签信息为实体标签的数据，构建样本识别数据集，即(x(e)，r(e))，其中，e表示实体标签的节点，x(e)和r(e)分别表示节点e的原始文本(即节点对应的文本信息)和标注结果的文本(即包含了标注结果(比如标注区域的起止字符位置和相对于DOM树的XPath路径选择信息)的文本信息)。之后，采用样本识别数据集，对待训练的实体识别模型进行训练，得到目标实体识别模型。
S340、根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。
本发明实施例的技术方案，通过对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息，之后基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合，进而基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息，最后根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。上述技术方案，引入标题分类器和实体分类器，即双分类器来过滤标题节点和实体节点，通过这两个辅助分类器，可以对不同结构的网页进行信息抽取，增强了通用性；同时还可以提高网页信息抽取的准确性。
此处，需要说明的是，本发明的适用范围为同时进行网页的实体抽取任务和内容抽取任务，并且抽取的内容需要有代表性的标题特征，且内容中包含所抽取的实体。在此条件下使用本发明均受到保护。
实施例四
图4是根据本发明实施例四提供的一种网页信息抽取装置的结构示意图。本实施例可适用于如何对网页信息进行抽取的情况，该网页信息抽取装置可以采用硬件和/或软件的形式实现，该网页信息抽取装置可集成于承载网页信息抽取功能的电子设备中，例如服务器中。如图4所示，本实施例的网页信息抽取装置可以包括：
网页信息解析模块410，用于对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息；
节点集合确定模块420，用于基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合；
实体信息确定模块430，用于基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息；
内容位置信息确定模块440，用于根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。
本发明实施例的技术方案，通过对待处理网页进行解析，得到目标树对象、以及目标树对象中节点对应的文本信息，之后基于目标标题分类器和目标实体分类器，分别对目标树对象中节点对应的文本信息进行处理，并根据处理结果从目标树对象中确定标题节点集合和实体节点集合，进而基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到待处理网页的实体信息，最后根据标题节点集合和实体节点集合，确定待处理网页的内容位置信息。上述技术方案，引入标题分类器和实体分类器，即双分类器来过滤标题节点和实体节点，通过这两个辅助分类器，可以对不同结构的网页进行信息抽取，增强了通用性；同时还可以提高网页信息抽取的准确性。
可选的，内容位置信息确定模块440包括：
节点对确定单元，用于对标题节点集合和实体节点集合进行节点匹配，得到标题实体节点对集合；
内容节点集合确定单元，用于根据标题实体节点对集合、以及目标树对象中节点之间的层级关系，从目标树对象中确定目标内容节点集合；
内容位置信息确定单元，用于根据目标内容节点集合，确定待处理网页的内容位置信息。
可选的，节点对确定单元具体用于：
根据标题节点集合中节点与实体节点集合中节点之间的距离，对标题节点集合和实体节点集合进行节点匹配，得到标题实体节点对。
可选的，内容节点集合确定单元具体用于：
根据标题实体节点对集合、以及目标树对象中节点之间的层级关系，从目标树对象中确定候选内容节点集合；
对候选内容节点集合进行去重处理，得到目标内容节点集合。
可选的，内容节点集合确定单元还具体用于：
对于每一标题实体节点对，根据目标树对象中节点之间的层级关系，从目标树对象中确定该标题实体节点对的最小公共祖先节点；
将最小公共祖先节点，作为该标题实体节点对的候选内容节点。
可选的，该装置还包括：
分类器确定模块，用于根据样本分类数据集，对待训练的分类器进行训练，得到目标标题分类器和目标实体分类器；样本分类数据集包括至少一个节点对应的文本信息，以及至少一个节点对应的标签信息。
可选的，该装置还包括实体识别模型确定模块，该模块用于：
从样本分类数据集中，抽取标签信息为实体标签的数据，构建样本识别数据集；
采用样本识别数据集，对待训练的实体识别模型进行训练，得到目标实体识别模型。
本发明实施例所提供的网页信息抽取装置可执行本发明任意实施例所提供的网页信息抽取方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5是实现本发明实施例的网页信息抽取方法的电子设备的结构示意图，图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如网页信息抽取方法。
在一些实施例中，网页信息抽取方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的网页信息抽取方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行网页信息抽取方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种网页信息抽取方法，其特征在于，包括：
对待处理网页进行解析，得到目标树对象、以及所述目标树对象中节点对应的文本信息；
基于目标标题分类器和目标实体分类器，分别对所述目标树对象中节点对应的文本信息进行处理，并根据处理结果从所述目标树对象中确定标题节点集合和实体节点集合；
基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到所述待处理网页的实体信息；
根据所述标题节点集合和所述实体节点集合，确定所述待处理网页的内容位置信息。
2.根据权利要求1所述的方法，其特征在于，所述根据所述标题节点集合和所述实体节点集合，确定所述待处理网页的内容位置信息，包括：
对所述标题节点集合和所述实体节点集合进行节点匹配，得到标题实体节点对集合；
根据所述标题实体节点对集合、以及所述目标树对象中节点之间的层级关系，从所述目标树对象中确定目标内容节点集合；
根据所述目标内容节点集合，确定所述待处理网页的内容位置信息。
3.根据权利要求2所述的方法，其特征在于，所述对所述标题节点集合和所述实体节点集合进行节点匹配，得到标题实体节点对，包括：
根据所述标题节点集合中节点与所述实体节点集合中节点之间的距离，对所述标题节点集合和所述实体节点集合进行节点匹配，得到标题实体节点对。
4.根据权利要求2所述的方法，其特征在于，所述根据所述标题实体节点对集合、以及所述目标树对象中节点之间的层级关系，从所述目标树对象中确定目标内容节点集合，包括：
根据所述标题实体节点对集合、以及所述目标树对象中节点之间的层级关系，从所述目标树对象中确定候选内容节点集合；
对所述候选内容节点集合进行去重处理，得到目标内容节点集合。
5.根据权利要求4所述的方法，其特征在于，所述根据所述标题实体节点对集合、以及所述目标树对象中节点之间的层级关系，从所述目标树对象中确定候选内容节点集合，包括：
对于每一标题实体节点对，根据所述目标树对象中节点之间的层级关系，从目标树对象中确定该标题实体节点对的最小公共祖先节点；
将所述最小公共祖先节点，作为该标题实体节点对的候选内容节点。
6.根据权利要求1所述的方法，其特征在于，还包括：
根据样本分类数据集，对待训练的分类器进行训练，得到目标标题分类器和目标实体分类器；所述样本分类数据集包括至少一个节点对应的文本信息，以及所述至少一个节点对应的标签信息。
7.根据权利要求1所述的方法，其特征在于，还包括：
从样本分类数据集中，抽取标签信息为实体标签的数据，构建样本识别数据集；
采用所述样本识别数据集，对待训练的实体识别模型进行训练，得到目标实体识别模型。
8.一种网页信息抽取装置，其特征在于，包括：
网页信息解析模块，用于对待处理网页进行解析，得到目标树对象、以及所述目标树对象中节点对应的文本信息；
节点集合确定模块，用于基于目标标题分类器和目标实体分类器，分别对所述目标树对象中节点对应的文本信息进行处理，并根据处理结果从所述目标树对象中确定标题节点集合和实体节点集合；
实体信息确定模块，用于基于目标实体识别模型，对实体节点集合对应的文本信息进行实体抽取，得到所述待处理网页的实体信息；
内容位置信息确定模块，用于根据所述标题节点集合和所述实体节点集合，确定所述待处理网页的内容位置信息。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的网页信息抽取方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的网页信息抽取方法。
CN202210959612.8A 2022-08-10 2022-08-10 一种网页信息抽取方法、装置、设备及存储介质 Pending CN115238078A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210959612.8A CN115238078A (zh) 2022-08-10 2022-08-10 一种网页信息抽取方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210959612.8A CN115238078A (zh) 2022-08-10 2022-08-10 一种网页信息抽取方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115238078A true CN115238078A (zh) 2022-10-25

Family

ID=83678750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210959612.8A Pending CN115238078A (zh) 2022-08-10 2022-08-10 一种网页信息抽取方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115238078A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115757823A (zh) * 2022-11-10 2023-03-07 魔方医药科技(苏州)有限公司 数据处理方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115757823A (zh) * 2022-11-10 2023-03-07 魔方医药科技(苏州)有限公司 数据处理方法、装置、电子设备和存储介质
CN115757823B (zh) * 2022-11-10 2024-03-05 魔方医药科技(苏州)有限公司 数据处理方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
US20150067476A1 (en) Title and body extraction from web page
CN110413787B (zh) 文本聚类方法、装置、终端和存储介质
CN113986864A (zh) 日志数据处理方法、装置、电子设备及存储介质
CN110020312B (zh) 提取网页正文的方法和装置
CN112650910A (zh) 确定网站更新信息的方法、装置、设备和存储介质
CN112989235A (zh) 基于知识库的内链构建方法、装置、设备和存储介质
CN114692628A (zh) 样本生成方法、模型训练方法、文本抽取方法和装置
CN113408660A (zh) 图书聚类方法、装置、设备和存储介质
CN113935339A (zh) 翻译方法、装置、电子设备及存储介质
CN114092948B (zh) 一种票据识别方法、装置、设备以及存储介质
CN114218951B (zh) 实体识别模型的训练方法、实体识别方法及装置
CN115331247A (zh) 文档结构识别方法、装置、电子设备及可读存储介质
CN113836316B (zh) 三元组数据的处理方法、训练方法、装置、设备及介质
CN115238078A (zh) 一种网页信息抽取方法、装置、设备及存储介质
CN104572874B (zh) 一种网页信息的抽取方法及装置
CN115600592A (zh) 文本内容的关键信息提取方法、装置、设备及介质
CN114860867A (zh) 训练文档信息抽取模型、文档信息抽取的方法和装置
CN114417862A (zh) 文本匹配方法、文本匹配模型的训练方法和装置
CN113361522A (zh) 确定字符序列的方法、装置和电子设备
CN113221566A (zh) 实体关系抽取方法、装置、电子设备和存储介质
CN115481240A (zh) 一种数据资产质量检测方法和检测装置
CN113239149A (zh) 实体处理方法、装置、电子设备和存储介质
CN114401419B (zh) 基于视频的内容生成方法、装置、电子设备及存储介质
KR20090045520A (ko) 시맨틱 기술을 이용한 태그어 자동 생성 방법
CN115617983A (zh) 基于文本的缺陷分析方法、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