基于页面分析的互联网信息发表时间提取方法

摘要

本发明是一种基于页面分析的互联网信息发表时间提取方法，该方法首先访问互联网根据网站类型加载目标页面得到网页文本源码集合S；其次根据标签的正则表达式结合各个网站类型的关键字识别出集合S中的时间，进而进行时间提取。对于新闻类网站，在集合S中利用正则表达式识别出信息标题，利用时间出现在标题附近这一特点，在标题附近进行时间正则表达式匹配。本发明方法对于论坛信息时间的提取结合关键字与时间正则表达式，能够达到良好的准确率，对信息发表时间能快速准确的提取。该方法采集效率高，在采集过程中，占用网络资源小。