基于属性重现和标签路径的网页抽取方法

一种基于属性重现和标签路径的网页抽取方法，包括：通过抽取目标网站或的属性值列表页面，构建属性值种子集合，其中包含了目标属性的部分取值；获取部分样本页面，确定各属性在属性名和值之间的相对标签路径；下载部分网页构建训练样本库，将获取的代码存放到本地数据库；查找并标注每一个种子属性值在训练网页中的所有重现，记录每次重现对应的标签路径；以对同一属性网页支持度最高的标签路径，作为抽取训练样本外其它网页信息的抽取规则；用所获取的标签路径，访问目标网站中的其他网页HTML树，定位属性值所在标签，抽取文本字符串；删除没有属性名或拥有错误属性名的属性值，将正确属性值存储到本地数据库，从而完成对页面属性的属性值抽取。