申请/专利权人:墨责(北京)科技传播有限公司
申请日:2022-10-26
公开(公告)日:2022-11-22
公开(公告)号:CN115374334A
主分类号:G06F16/951
分类号:G06F16/951;G06F16/958;G06K9/62;G06N20/00
优先权:
专利状态码:有效-授权
法律状态:2023.01.06#授权;2022.12.09#实质审查的生效;2022.11.22#公开
摘要:本发明涉及一种基于机器学习的网页采集页面的正文页采集方法,包括:建立训练集,对训练集中所包括正文页数据,进行预处理和页面特征数据提取;基于提取的页面特征数据通过机器学习的方法训练分类器得到训练后的正文页判别模型;对通过爬虫采集到的页面数据,进行预处理和页面特征数据提取得到页面特征数据;将页面特征数据输入训练后的正文页判别模型进行正文页检测;对检测为正文页的页面,提取出页面内的正文数据存储到采集库中;对检测为列表页的页面,提取其中的链接地址并加入到爬虫的采集队列中,用于关联正文页的采集。本发明大大降低网站采集配置难度和网站改版风险,减轻网站采集的工作量。
主权项:1.一种基于机器学习的网页采集页面的正文页采集方法,其特征在于,包括以下步骤:步骤S1、建立训练集,对训练集中所包括正文页数据,进行预处理和页面特征数据提取;基于提取的页面特征数据通过机器学习的方法训练分类器得到训练后的正文页判别模型;步骤S2、对通过爬虫采集到的页面数据,进行预处理和页面特征数据提取得到页面特征数据;将页面特征数据输入训练后的正文页判别模型进行正文页检测;步骤S3、对检测为正文页的页面,提取出页面内的正文数据存储到采集库中;对检测为列表页的页面,提取其中的链接地址并加入到爬虫的采集队列中,用于关联正文页的采集。
全文数据:
权利要求:
百度查询: 墨责(北京)科技传播有限公司 基于机器学习的网页采集页面的正文页采集方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。