龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
摘要：本发明属于机器翻译技术领域，提供了一种web小语种单语语料数据提取方法、装置及介质，其中方法包括：1网页数据获取：选择单个或者多个目标网页，并使用爬虫工具，通过发送HTTP请求获取网页的HTML源代码；2数据解析与提取：利用HTML解析器，精确解析HTML源代码；3Unicode编码识别：输入语种标准语言代码，然后在字典表中获取到该语种的Unicode编码范围，识别和提取数据；4数据存储。本发明通过精确解析和提取HTML标签数据，显著提高了数据爬取的准确性，减少了对杂乱数据的干扰。
主权项：1.一种web小语种单语语料数据提取方法，其特征在于，包括以下步骤：1网页数据获取：选择单个或者多个目标网页，并使用爬虫工具，通过发送HTTP请求获取网页的HTML源代码；2数据解析与提取：利用HTML解析器，精确解析HTML源代码：21将所有br标签，替换为“\n”换行符；22提取出目标网页中的所有的文本信息；23修复编码错误，取消html转义，删除多余的html标签；3Unicode编码识别：输入语种标准语言代码，然后在字典表中获取到该语种的Unicode编码范围，识别和提取数据；遍历所述2中获取的所有文本信息，并基于每一行文本信息，判断该行文本信息中是否包含有所需要采集的语种文字，若是，则保留该行文本信息，并执行下一步，若否，则丢弃该行文本信息；4数据存储：将保留的行文本信息保存到Mongo数据库中，保存的文本信息为文本信息字段，其包括：语料垂域、网址、内容、语种。
全文数据：
权利要求：
百度查询： 四川语言桥信息技术有限公司 一种web小语种单语语料数据提取方法、装置及介质
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号