针对多记录网页的记录项抽取系统及方法

摘要

本发明涉及一种针对多记录网页的记录项抽取系统及方法，该系统包括：记录树对齐模块，接收已抽取好的记录区域子树，并利用标签信息及语义信息进行树对齐，得到一棵超树，从而让相同语义的节点对应于超树的同一个节点；记录内容抽取模块，使用文本密度及文本密度和度量指标确定记录中记录内容位置；记录项输出模块，将记录区域里所有记录项及其语义标注按照树节点先序遍历输出；反馈框架，在抽取记录项后利用抽取结果检查记录区域定位是否正确，不正确则重新定位记录区域，进而修改记录项抽取结果，正确则直接结束抽取流程。该系统及方法能够高效、准确地对多记录网页中记录区域进行记录项抽取，抽取速度快、准确度高，通用性强，适用范围广。