一种自动抽取论坛数据的方法技术

本发明专利技术公开了一种从论坛帖子中抽取数据的方法，按照如下步骤：a根据论坛网页结构的特点，用网页结构聚类的方法，识别网页帖子页面；b根据网页帖子的簇的相似子树的数量变化，计算该簇内所有同路径下的相似子树的熵，来定位条目信息；c构建帖子页面可视字串的特征集，利用统计特征对特征集进行划分，然后利用先验知识对具体的可视字串代表的含义，并生成模板；d利用模板解析网页，完成最终的提取。

【技术实现步骤摘要】

【技术保护点】
一种自动抽取论坛数据的方法，包括下述步骤：a、识别主贴页面：对给定url的网页的进行抓取并根据网页结构进行聚类，找出帖子页面；b、条目定位：计算与帖子页面所在的类同一路径下的相似子树的个数的信息熵，其中熵的最大值的路径为条目在标签树中的路径；c、识别内容并生成抽取模版：根据条目可视字串建立特征向量，再根据特征向量划分数据集，最后区分可见词代表的意义并生成抽取模板；d、利用抽取模板抽取论坛数据。

【技术特征摘要】

【专利技术属性】
技术研发人员：郭成林，彭春林，刘红玉，高云棋，刘丹，
申请(专利权)人：宁波成电泰克电子信息技术发展有限公司，
类型：发明
国别省市：