基于树权值的网页数据记录识别和抽取方法专利登记公告

专利名称：基于树权值的网页数据记录识别和抽取方法

摘要：本发明公开了基于树权值的网页数据记录识别和抽取方法，包括如下步骤：?网页处理和转化；数据记录识别；数据记录对准和抽取；数据存储；根据HTML网页的内容的树结构特点，通过对抓取到的网页进行处理转化为标签树结构，自底而上的为每个树节点赋上权值，使得不同层次的节点具有不同的权值，然后根据相似子树集和位置连续性来识别出数据记录区域，然后根据包含数据记录的标签树集进行树对准操作生成基准树作为抽取模板，可以得到高效率和高准确度的结果。

专利类型：发明专利

专利号：CN201110438187.X

专利申请（专利权）人：浙江大学

专利发明（设计）人：尹建伟;彭勇;杨弈锦;邓水光;李莹;吴健;吴朝晖

主权项：基于树权值的网页数据记录识别和抽取方法，其特征在于，包括如下步骤：(1)网页处理和转化；(2)数据记录识别；(3)数据记录对准和抽取；(4)数据存储；所述网页处理和转化包括如下步骤：11)对抓取的网页依据标签的作用进行分类后构造标签树；12)对所述标签树的每个树节点按照如下公式赋予权值： W = λ depth +

专利地区：浙江