一种基于XML和规则库的专利数据抽取方法.pdf

5、WideWebConsortium)制定的标准签中的正文进行提取，而对于自定义的XML标签接口规范，提供了访问XMI文件和HTML文件中却无法进行处理。各个元素属性和方法的接口。在进行数据提取之本文通过研究已有方法，提出一种基于XMI前，要根据规则库对DOM树进行裁剪，得到只包含和规则库的提取专利数据的方法，实现了专利数据有价值数据的主题树，例如某一个专利页面的根据网页模板而不是具体标签的内容提取，并可定DOM树，如图1所示。义提取规则。定义主题树规则T一{URI，startTag，end—l专利数据抽取框架

6、Tag}，其中URI是所访问的专利网站的专利内容专利数据抽取系统由文件解析器、剪枝器、规则网址，startTag是专利数据页面上的第一个有效专库、XMI格式化处理器和分析提取器五部分组成。利数据的标签序列，endTag是专利数据页面上最后收稿日期：2014-0310基金项目：河南省科技厅科技攻关计划项目(122102210407)；河南省哲学社会科学规划项目(2012CJJ014)；新乡学院创新基金项目(12SB17)作者简介：常国锋(1978一)，男，河南濮阳人。讲师，硕士，研究方向：计算机应用。常国锋，苗

7、长芬：一种基于XML和规则库的专利数据抽取方法一个有效专利数据的标签序列。定位并提取有效数据。(1)算法1：从DOM中提取数据块算法，程序如琏～：】itleFree融图2。输出：cleanedItee：油兜ni-捌矩鹕FunetJoldearItTMk,}洮●r‘题I】~Jl：。倚翻托㈧StompscIrchAR印laccITitlcT~cc”input’)、障_l11)lIl研桀s沁mpsrcl1^n‘{Rclc“slcl11p”butlort”点际butll1『1怀琴s1『Search'u~dRcplac

8、clStcmp．”Ic”际ylc#I篙Stomp：Search，kndRcplace(Stcmp．'"I”}』除lj体簪Stomp--scAI1【jR：ls㈣ld。’)蚓’，棘甍cleancdTrecSealcl11、I1【{R叩laS㈨1p,"script)j、际Ⅲipt：i；j[clearI{I’Ml-一cleanedlrcc』{j：清洗j．i。,r31蛇}{I’MI豫p}戈)(MI¨豫一1娜I