1.基于機(jī)器學(xué)習(xí)建模抽取網(wǎng)頁結(jié)構(gòu)的方法，其特征在于，
包括機(jī)器學(xué)習(xí)的網(wǎng)頁抽取設(shè)計模式和存儲錄制規(guī)則；
其中，網(wǎng)頁抽取設(shè)計模式是推薦網(wǎng)頁字段抽取方案，主動學(xué)習(xí)網(wǎng)頁字段抽取方法；
存儲錄制規(guī)則是將錄制規(guī)則通過rest服務(wù)接收，并設(shè)置一組識別標(biāo)簽。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于識別標(biāo)簽包括頁面url、規(guī)則名稱、時間戳做為數(shù)據(jù)的RowKey。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，主要包括如下幾個方面，
1）網(wǎng)頁結(jié)構(gòu)模糊抽取，主要是根據(jù)機(jī)器建模中的概率算法提取出結(jié)構(gòu)內(nèi)容，若內(nèi)容結(jié)構(gòu)不符合，進(jìn)行修改，并再次保存到建模中；
2）通過貝葉斯學(xué)習(xí)，機(jī)器建模衍生出深層次的網(wǎng)頁抽?。?/p>
3)網(wǎng)頁中列表及翻頁的規(guī)則錄制，包括采集一頁簡單網(wǎng)頁的列表或表格信息，包括一列以上的可以循環(huán)翻頁；
4)列表及詳情錄制，采集一頁簡單網(wǎng)頁的列表信息及每一項的詳情信息，循環(huán)翻頁；
5)URL列表錄制，采集數(shù)頁同類型簡單網(wǎng)頁信息，每一頁適用相同規(guī)則，提取到的數(shù)據(jù)匯總到同一張表；
6)單網(wǎng)頁錄制，采集一頁簡單的網(wǎng)頁信息；
7)高級錄制，采集一個網(wǎng)站信息，可以配置采集深度，間隔，過濾url，代理。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，機(jī)器建模衍生出深層次的網(wǎng)頁抽取，通過機(jī)器建模，可以有抽取標(biāo)題的選擇。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，還可以抽取該標(biāo)題的子類及父類的元素。