申请/专利权人:上海锦砺信息科技有限公司
申请日:2023-12-22
公开(公告)日:2024-03-22
公开(公告)号:CN117743718A
主分类号:G06F16/958
分类号:G06F16/958;G06F16/951
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.09#实质审查的生效;2024.03.22#公开
摘要:本申请公开了一种获取门户网站公告的方法、装置、电子设备及存储介质。该方法包括:创建包含针对目标门户网站公告列表页面和公告详情页面解析规则的配置文件;在采集程序中运行所述配置文件以获取目标门户网站的公告链接、标题、发布日期以及正文;每次采集时,将前后页面结构信息进行比较,在结构信息不一致时重新定位目标采集区域,包括通过翻页标签、a标签定位公告列表页面的目标采集区域,通过预设的标签筛选规则定位公告详情页面的目标采集区域。利用本申请实施例能够在无需专业编程人员的编写和维护的情况下,获取新增门户网站公告的目标数据,并且能够自适应网站结构变化,自动定位目标采集区域。
主权项:1.一种获取门户网站公告的方法,包括如下步骤:根据目标门户网站的公告列表页面的内容创建一个配置文件,所述配置文件中包括针对公告列表页面以及公告详情页面的页面解析规则,其中所述页面解析规则包括:解析公告列表页面的公告链接的结构信息,解析公告详情页面的标题、发布日期以及正文的结构信息;在采集程序中读取所述配置文件中的页面解析规则,以对所述公告列表页面以及公告详情页面进行解析,获得解析结果,所述解析结果包括公告列表页面的公告链接的结构信息,以及,公告详情页面的标题、发布日期以及正文的结构信息;基于所述解析结果确定目标采集区域,周期性地采集公告列表页面和公告详情页面中目标采集区域的内容,其中,每次采集时,将本次采集时解析得到的公告列表页面和公告详情页面的结构信息与上一次采集时解析得到的公告列表页面和公告详情页面的结构信息分别进行比较;若出现至少一种结构信息不一致时,按照预设的第一页面定位规则,对公告列表页面中的目标采集区域进行定位,并且按照预设的第二页面定位规则,对公告详情页面中的目标采集区域进行定位;其中,所述第一页面定位规则包括:定位翻页标签;根据翻页标签所在位置查找其周围是否含有超过预定数量的用于页面跳转的a标签;将既存在翻页标签又存在超过预定数量a标签的区域,确定为公告列表页面的目标采集区域;其中,所述第二页面定位规则包括:按照预设的标签筛选规则,查找待定日期标签、待定标题标签,分别确定目标日期标签和目标标题标签,并查找目标日期标签和目标标题标签周围的待定正文标签,确定目标正文标签,最终确定公告详情页面的目标采集区域。
全文数据:
权利要求:
百度查询: 上海锦砺信息科技有限公司 获取门户网站公告的方法、装置、电子设备及存储介质
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。