本发明提供了一种专利信息解析方法和装置,其中方法包括:从数据库中选择已完成解析的专利信息作为基础数据,并从网站上获取所述专利信息的HTML格式网页;针对所述基础数据中的各数据项,分别从获取到的HTML格式网页中获取能够唯一定位各数据项的字符串,并分别格式化为解析各数据项的正则表达式;利用所述解析各数据项的正则表达式,从所述网站未解析的HTML格式网页中解析专利信息,并将解析到的专利信息存入所述数据库。本发明能够自适应地建立出专利信息的解析规则,使得网页的HTML格式即便发生变化,也能够自动更新专利信息的解析规则,实现专利信息的正确解析,节约人力,且提高了效率。
1.一种专利信息解析方法,其特征在于,该方法包括:S1、从数据库中选择已完成解析的专利信息作为基础数据,并从网站上获取所述专利信息的超文本标记语言HTML格式网页;S2、针对所述基础数据中的各数据项执行以下步骤S21至S24,得到解析各数据项的正则表达式:S21、获取所述基础数据中未执行所述步骤S2的一个数据项作为当前数据项;S22、在步骤S1获取的HTML格式网页中确定当前数据项的位置;S23、从该位置分别向前和向后截取预设截取长度的字符串,过滤截取的字符串中的非HTML标签后,将前后两个字符串格式化成正则表达式;S24、检验得到的正则表达式是否能够唯一定位当前数据项,如果是,则记录当前数据项对应的正则表达式,转至所述步骤S21;否则,增大所述截取长度,重新转至所述步骤S23;S3、利用所述解析各数据项的正则表达式,从所述网站未解析的HTML格式网页中解析专利信息,并将解析到的专利信息存入所述数据库。
2.根据权利要求1所述的方法,其特征在于,定时检测所述网站的HTML格式是否发生变化,如果检测到HTML格式发生变化,则触发执行所述步骤S1;或者,人工触发执行所述步骤S1;或者,无论所述网站的HTML格式是否发生变化,均定期触发执行所述步骤S1。
3.根据权利要求1所述的方法,其特征在于,所述步骤S23中将前后两个字符串格式化成正则表达式具体包括:将过滤后的前后两个字符串中的各字符作为正则表达式中的元字符,过滤的非HTML标签中紧邻当前数据项的普通字符在正则表达式中保留,过滤的其他内容在正则表达式中替换为正则表达式通配符号。
4.根据权利要求1所述的方法,其特征在于,所述步骤S24中检验得到的正则表达式是否能够唯一定位当前数据项具体为:将所述得到的正则表达式到所述步骤S1获取的HTML格式网页中或者其他HTML格式网页中提取信息,判断是否能够唯一获取当前数据项的内容,如果是,则说明能够唯一定位当前数据项。
5.根据权利要求1所述的方法,其特征在于,在所述步骤S2和步骤S3之间还包括:S41、从所述数据库中另选择一条已完成解析的专利信息,从所述网站上获取另选择专利信息的HTML格式网页;S42、利用步骤S2得到的各数据项的正则表达式从步骤S41获取的HTML格式网页上提取各数据项的专利信息,并判断提取的专利信息与所述数据库中存储的专利信息是否一致,如果一致,则确定验证通过,继续执行所述步骤S3;否则,指示对不一致的数据项的正则表达式进行修正。
6.一种专利信息解析装置,其特征在于,该装置包括:基础数据获取单元,用于从数据库中选择已完成解析的专利信息作为基础数据;网页获取单元,用于从网站上获取所述基础数据获取单元所选择专利信息的HTML格式网页;规则格式化单元,用于针对所述基础数据中的各数据项,分别从所述网页获取单元获取的HTML格式网页中获取能够唯一定位各数据项的字符串,并分别格式化为解析各数据项的正则表达式;信息解析单元,用于利用所述解析各数据项的正则表达式,从所述网站未解析的HTML格式网页中解析专利信息,并将解析到的专利信息存入所述数据库;所述规则格式化单元具体包括:数据项获取子单元,用于获取所述基础数据中未被获取过的一个数据项作为当前数据项;定位子单元,用于在所述网页获取单元获取的HTML格式网页中确定当前数据项的位置;格式化子单元,用于从所述定位子单元确定的位置分别向前和向后截取预设截取长度的字符串,过滤截取的字符串中的非HTML标签后,将前后两个字符串格式化成正则表达式;检验子单元,用于检验所述格式化子单元得到的正则表达式是否能够唯一定位当前数据项,如果是,则记录当前数据项对应的正则表达式,触发所述数据项获取子单元;否则,增大所述截取长度,触发所述格式化子单元。
7.根据权利要求6所述的装置,其特征在于,该装置还包括:触发控制单元,用于定时检测所述网站的HTML格式是否发生变化,如果检测到HTML格式发生变化,则触发所述基础数据获取单元执行操作;或者,在人工控制下触发所述基础数据获取单元执行操作;或者,无论所述网站的HTML格式是否发生变化,均定期触发所述基础数据获取单元执行操作。
8.根据权利要求6所述的装置,其特征在于,所述格式化子单元在将前后两个字符串格式化成正则表达式时,具体将过滤后的前后两个字符串中的各字符作为正则表达式中的元字符,过滤的非HTML标签中紧邻当前数据项的普通字符在正则表达式中保留,过滤的其他内容在正则表达式中替换为正则表达式通配符号。
9.根据权利要求6所述的装置,其特征在于,所述检验子单元将所述得到的正则表达式到所述网页获取单元获取的HTML格式网页中或者其他HTML格式网页中提取信息,判断是否能够唯一获取当前数据项的内容,如果是,则说明能够唯一定位当前数据项。
10.根据权利要求6所述的装置,其特征在于,该装置还包括:规则验证单元,用于在所述规则格式化单元得到解析各数据项的正则表达式后,从所述数据库中另选择一条已完成解析的专利信息,并从所述网站上获取另选择专利信息的HTML格式网页,利用所述规则格式化单元得到解析各数据项的正则表达式从所述另选择专利信息的HTML格式网页上提取各数据项的专利信息,并判断提取的专利信息与所述数据库中存储的专利信息是否一致,如果一致,则确定验证通过,触发所述信息解析单元;否则,指示对不一致的数据项的正则表达式进行修正。【技术领域】本发明涉及计算机信息技术领域,特别涉及一种专利信息解析方法和装置。【背景技术】随着互联网技术的迅速发展,网络成为人们获取信息的主要手段,专利信息也是如此。在世界范围内几乎所有的专利信息都通过互联网发布,使得人们能够更方便的获取专利信息,从而推动技术创新和发展。现在越来越多的企业用户通过在互联网上检索专利信息并将其解析为准确数据保存在本地数据库中,从而形成自有的专利情报库来深入使用。在将以超文本标记语言(HTML)格式发布的专利数据进行解析时,通常是用户分析HTML格式的专利信息,编写出可以准确定位各数据项(诸如专利著录项目)的正则表达式,形成计算机程序可以识别的规则,然后由计算机程序根据该规则从HTML格式的专利信息中解析出准确的数据项内容。虽然这种专利信息的解析方式具有较高的解析效率,但互联网上的网站所有者经常会调整HTML格式从而使网页显示不同的效果,这种调整必然导致用户设置的正则表达式规则失效,从而导致上述解析方式解析出的数据出错或无法解析出数据。除非用户重新分析HTML格式,重新编写出可以准确定位各数据项的正则表达式规则,并更新到计算机程序中,这显然为用户带来巨大的工作量,浪费人力,且效率低下。【发明内容】本发明提供了一种专利信息解析方法和装置,以便于在HTML格式调整后也能够实现专利信息的自动解析,节约人力,提高效率。具体技术方案如下:一种专利信息解析方法,该方法包括:S1、从数据库中选择已完成解析的专利信息作为基础数据,并从网站上获取所述专利信息的HTML格式网页;S2、针对所述基础数据中的各数据项,分别从获取到的HTML格式网页中获取能够唯一定位各数据项的字符串,并分别格式化为解析各数据项的正则表达式;S3、利用所述解析各数据项的正则表达式,从所述网站未解析的HTML格式网页中解析专利信息,并将解析到的专利信息存入所述数据库。根据本发明一优选实施例,定时检测所述网站的HTML格式是否发生变化,如果检测到HTML格式发生变化,则触发执行所述步骤S1;或者,人工触发执行所述步骤S1;或者,无论所述网站的HTML格式是否发生变化,均定期触发执行所述步骤S1。根据本发明一优选实施例,所述步骤S2具体包括:S21、获取所述基础数据中未执行所述步骤S2的一个数据项作为当前数据项;S22、在步骤S1获取的HTML格式网页中确定当前数据项的位置;S23、从该位置分别向前和向后截取预设截取长度的字符串,过滤截取的字符串中的非HTML标签后,将前后两个字符串格式化成正则表达式;S24、检验得到的正则表达式是否能够唯一定位当前数据项,如果是,则记录当前数据项对应的正则表达式,转至所述步骤S21;否则,增大所述截取长度,重新转至所述步骤S23。根据本发明一优选实施例,所述步骤S23中将前后两个字符串格式化成正则表达式具体包括:将过滤后的前后两个字符串中的各字符作为正则表达式中的元字符,过滤的非HTML标签中紧邻当前数据项的普通字符在正则表达式中保留,过滤的其他内容在正则表达式中替换为正则表达式通配符号。根据本发明一优选实施例,所述步骤S24中检验得到的正则表达式是否能够唯一定位当前数据项具体为:将所述得到的正则表达式到所述步骤S1获取的HTML格式网页中或者其他HTML格式网页中提取信息,判断是否能够唯一获取当前数据项的内容,如果是,则说明能够唯一定位当前数据项。根据本发明一优选实施例,在所述步骤S2和步骤S3之间还包括:S41、从所述数据库中另选择一条已完成解析的专利信息,从所述网站上获取另选择专利信息的HTML格式网页;S42、利用步骤S2得到的各数据项的正则表达式从步骤S41获取的HTML格式网页上提取各数据项的专利信息,并判断提取的专利信息与所述数据库中存储的专利信息是否一致,如果一致,则确定验证通过,继续执行所述步骤S3;否则,指示对不一致的数据项的正则表达式进行修正。一种专利信息解析装置,该装置包括:基础数据获取单元,用于从数据库中选择已完成解析的专利信息作为基础数据;网页获取单元,用于从网站上获取所述基础数据获取单元所选择专利信息的HTML格式网页;规则格式化单元,用于针对所述基础数据中的各数据项,分别从所述网页获取单元获取的HTML格式网页中获取能够唯一定位各数据项的字符串,并分别格式化为解析各数据项的正则表达式;信息解析单元,用于利用所述解析各数据项的正则表达式,从所述网站未解析的HTML格式网页中解析专利信息,并将解析到的专利信息存入所述数据库。根据本发明一优选实施例,该装置还包括:触发控制单元,用于定时检测所述网站的HTML格式是否发生变化,如果检测到HTML格式发生变化,则触发所述基础数据获取单元执行操作;或者,在人工控制下触发所述基础数据获取单元执行操作;或者,无论所述网站的HTML格式是否发生变化,均定期触发所述基础数据获取单元执行操作。根据本发明一优选实施例,所述规则格式化单元具体包括:数据项获取子单元,用于获取所述基础数据中未被获取过的一个数据项作为当前数据项;定位子单元,用于在所述网页获取单元获取的HTML格式网页中确定当前数据项的位置;格式化子单元,用于从所述定位子单元确定的位置分别向前和向后截取预设截取长度的字符串,过滤截取的字符串中的非HTML标签后,将前后两个字符串格式化成正则表达式;检验子单元,用于检验所述格式化子单元得到的正则表达式是否能够唯一定位当前数据项,如果是,则记录当前数据项对应的正则表达式,触发所述数据项获取子单元;否则,增大所述截取长度,触发所述格式化子单元。根据本发明一优选实施例,所述格式化子单元在将前后两个字符串格式化成正则表达式时,具体将过滤后的前后两个字符串中的各字符作为正则表达式中的元字符,过滤的非HTML标签中紧邻当前数据项的普通字符在正则表达式中保留,过滤的其他内容在正则表达式中替换为正则表达式通配符号。根据本发明一优选实施例,所述检验子单元将所述得到的正则表达式到所述网页获取单元获取的HTML格式网页中或者其他HTML格式网页中提取信息,判断是否能够唯一获取当前数据项的内容,如果是,则说明能够唯一定位当前数据项。根据本发明一优选实施例,该装置还包括:规则验证单元,用于在所述规则格式化单元得到解析各数据项的正则表达式后,从所述数据库中另选择一条已完成解析的专利信息,并从所述网站上获取另选择专利信息的HTML格式网页,利用所述规则格式化单元得到解析各数据项的正则表达式从所述另选择专利信息的HTML格式网页上提取各数据项的专利信息,并判断提取的专利信息与所述数据库中存储的专利信息是否一致,如果一致,则确定验证通过,触发所述信息解析单元;否则,指示对不一致的数据项的正则表达式进行修正。由以上技术方案可以看出,本发明利用数据库中已完成解析的专利信息及其所在的HTML格式网页,采用反向解析的方式确定出在当前HTML格式网页中解析各数据项的正则表达式,然后按照确定的正则表达式对未解析的HTML格式网页解析专利数据。也就是说,本发明能够自适应地建立出专利信息的解析规则,使得网页的HTML格式即便发生变化,也能够自动更新专利信息的解析规则,实现专利信息的正确解析,节约人力,且提高了效率。【附图说明】图1为本发明实施例一提供的专利信息解析方法流程图;图2为本发明实施例一提供的针对基础数据中的各数据项分别提取正则表达式的流程图;图3为本发明实施例二提供的专利信息解析装置结构图。【具体实施方式】为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。由于专利数据通常是相对固定的,即当网站的HTML格式发生变化时,专利数据其实是不变的,本发明就是基于专利的这个特点提出的,使用专利数据进行反向解析,自动提取出解析专利的正则表达式,并形成新的解析规则,依据该解析规则进行专利信息解析。下面通过实施例一对该方法进行描述。实施例一、图1为本发明实施例一提供的专利信息解析方法流程图,如图1所示,该方法可以包括以下步骤:步骤101:从数据库中选择已完成解析的专利信息作为基础数据,并从网站上获取该专利信息的HTML格式网页。由于本发明实施例提供的方法实际上是在页面的HTML格式发生变化时,利用已完成解析的专利信息进行反向解析得到正则表达式,也就是说,在HTML格式发生变化时可以启动本流程的执行,因为一旦解析得到了正则表达式,只要HTML格式不发生变化,则可以一直沿用该正则表达式进行专利信息的解析。因此,可以定时检测网站的HTML格式是否发生变化,一旦检测到HTML格式发生变化,则触发本流程的执行;也可以人工触发本流程的执行;还可以无论HTML格式是否发生变化,均定期地触发本流程的执行。在本步骤中,可以从已完成解析的专利信息中选择一条专利的专利信息作为基础数据,该基础数据是无论网页格式如何变化都不发生改变的,然后从网站上获取该专利信息的当前的HTML格式网页,从而分析合适的解析规则,即继续执行以下步骤。为了使得提取的解析规则更加准确,鉴于已经授权的专利信息基本不会改变,可以在本步骤中选择基础数据时,从已授权的专利中选取。步骤102:针对基础数据中的各数据项,分别从获取到的HTML格式网页中获取能够唯一定位各数据项的字符串,并分别格式化为解析各数据项的正则表达式。本发明实施例中涉及到的数据项实际上是用户所关心的专利著录项目中的一种或多种,例如发明名称、发明人信息、申请人信息、申请日、公开日、优先权信息、申请号、专利号等等。本步骤实际上是针对基础数据中的各数据项分别提取正则表达式,执行流程如图2所示,如图2所示,具体包括以下步骤:步骤201:获取基础数据中未执行本流程的一个数据项作为当前数据项。本步骤实际上是逐一获取基础数据中的各数据项执行以下流程,即每一次都从基础数据中提取一个未执行本流程的数据项开始执行以下流程,直至所有数据项均执行完本流程,就完成了基础数据中所有数据项的正则表达式提取。步骤202:在获取的HTML格式网页中确定当前数据项的位置。即在HTML格式网页中找到当前数据项的内容所在的位置,以此可以获取在HTML格式网页中当前数据项之前和之后的字符串。步骤203:从该位置分别向前和向后截取预设截取长度的字符串,过滤截取的字符串中的非HTML标签后,将前后两个字符串格式化成正则表达式。在步骤202中确定出当前数据项的位置后,向前和向后分别截取一定长度的字符串,该截取长度可以首先是个预设的初始值,例如50个字符。在该字符串中可能会包括HTML标签、专利信息、文本格式化的字符、回车换行符等等,其中只有标签类的信息是不随着专利不同而发生变化的,具有定位意义,因此需要过滤不具备定位意义的非HTML标签。利用截取的前后两个字符串进行格式化,过滤后剩余的两个字符串中均是HTML标签,是不会随着专利不同而发生变化的,因此作为正则表达式中的元字符,过滤的非HTML标签中紧邻当前数据项的普通字符保留,过滤的其他内容替换为正则表达式通配符号,从而得到该数据项对应的正则表达式,步骤204:检验得到的正则表达式是否能够唯一定位当前数据项,如果是,记录当前数据项对应的正则表达式,转至步骤201;否则,增大截取长度重新转至步骤203。本步骤中可以将得到的正则表达式到HTML格式网页(可以是当前获取的HTML格式网页,也可以选取其他专利的HTML格式网页)中提取信息,判断是否能够唯一获取对应数据项,如果是,则说明能够唯一定位该数据项,否则说明不能唯一定位该数据项。例如,将得到的专利名称对应的正则表达式到该专利的HTML格式网页中进行匹配,确定是否能够唯一提取出专利名称,如果是,则说明能够唯一定位专利名称。如果除了专利名称之外还提取出了其他内容,则说明不能够唯一定位专利名称,需要增大截取长度重新转至步骤203格式化新的正则表达式。或者,将得到的专利名称对应的正则表达式到其他专利的HTML格式网页中进行匹配,确定是否能够唯一提取出专利名称,如果是,则说明能够唯一定位专利名称。如果除了专利名称之外还提取出了其他内容,则说明不能够唯一定位专利名称,需要增大截取长度,重新转至步骤203格式化新的正则表达式。如果确定当前得到的正则表达式不能够唯一定位当前数据项,则转至步骤203向前向后截取更长的HTML标签来提取正则表达式,直至能够唯一定位当前数据项为止。举一个例子,假设从已完成解析的专利信息选择的基础数据如下:专利名称:一种汽车安全行驶装置申请号:201020685875申请日:2010年12月23日从网站上获取该专利信息的HTML格式网页如下:ntent="drawing" img-format="tif" inline="no" orientation="portrait" wi="700"/>假设首先将专利申请号/专利号作为当前数据项,获取当前数据项“201020685875”在HTML格式网页中的位置,向前取50个以上的字符的字符串(需要说明的是,在此所取的预设截取长度的字符串可以是一个预设截取长度范围,但通常需要保证HTML标签完成,例如在50个以上字符但保证HTML标签完整的最短字符串)为:<divxa0style=′′width:100%′′><divxa0class=′′t1′′>一种汽车安全行驶装置</div><divxa0class=′′t2′′>申请号/专利号:向后取50个以上字符的字符串为:</div><tablexa0width=′′100%′′border=′′0′′cellspacing=′′1′′cellpadding=′′0′′class=′′tb′′><tr><tdxa0class=′′td1′′>申请日:</td><td>2010年12月23日</td></tr>过滤掉不具备定位意义的非HTML标签后为:<divxa0class=′′t2′′>“合适的正则表达式”</div>,分别格式化得到前、后的正则表达式如下:前:<divxa0style=′′width:100%′′><divxa0class=′′t1′′>[sS]*?</div><divxa0class=′′t2′′>申请号/专利号:后:</div><tablexa0width=′′100%′′border=′′0′′cellspacing=′′1′′cellpadding=′′0′′class=′′tb′′><tr><tdxa0class=′′td1′′>[sS]*?</td><td>[sS]*?</td></tr>。其中,前面的正则表达式中,过滤的非HTML标签“申请号/专利号:”由于紧邻数据项,因此予以保留原始字符串,过滤的非HTML标签“一种汽车安全行驶装置”则替换为正则表达式通配符号“[sS]*?”。后面的正则表达式中,过滤的非HTML标签“申请日:”以及“2010年12月23日”均不紧邻数据项,因此分别替换为正则表达式通配符号“[sS]*?”。利用得到的正则表达式到当前获取的HTML格式网页中是否能够唯一确定专利名称专利申请号/专利号“201020685875”的位置,如果能,则记录专利申请号/专利号对应的正则表达式;如果不能,则可以将截取长度加长,即再分别向前向后取更长的字符串,进行过滤后格式化成正则表达式,重复该流程直至得到的正则表达式能够唯一确定专利申请号/专利号“201020685875”的位置。逐一针对基础数据中的各数据项均重复上述过程,可以得到各数据项对应的正则表达式,即解析各数据项的正则表达式,从而建立起完整的解析规则。继续参见图1,步骤103:利用解析各数据项的正则表达式,从未解析的HTML格式网页中解析专利信息,并将解析到的专利信息存入数据库。在得到解析各数据项的正则表达式后,就能够从未解析的HTML格式网页中分别解析得到各数据项的专利信息。至于如何利用各数据项的正则表达式从HTML格式网页中解析各数据项的专利信息则为已有技术,不再赘述。在图1所示流程中,可以选择一条已完成解析的专利信息作为基础数据,执行步骤101和步骤102之后,得到解析各数据项的正则表达式集合,更优地,还可以从数据库中另选择一条已完成解析的专利信息,并从网站上获取该专利信息的HTML格式网页,对得到的正则表达式集合进行验证,即利用得到的正则表达式集合对另选择的专利信息的HTML格式网页进行解析,判断解析得到的专利信息是否与数据库中的该条专利信息一致,如果一致,则说明该正则表达式集合通过验证,否则,指示对于其中不一致的数据项的正则表达式进行修正。在此处进行的修正可以采用人工干预的方式进行修正,即得到指示后,技术人员可以查看该数据项的正则表达式,对该正则表达式进行修正。以上是对本发明所提供的方法进行的描述,下面通过实施例二对本发明所提供的装置进行详细描述。实施例二、图3为本发明实施例二提供的专利信息解析装置结构图,如图3所示,该装置可以包括:基础数据获取单元310、网页获取单元320、规则格式化单元330和信息解析单元340。基础数据获取单元310从数据库中选择已完成解析的专利信息作为基础数据。可以从已完成解析的专利信息中选择一条专利的专利信息作为基础数据,该基础数据是无论网页格式如何变化都不发生改变的,然后从网站上获取该专利信息的当前的HTML格式网页,从而分析合适的解析规则。为了使得提取的解析规则更加准确,鉴于已经授权的专利信息基本不会改变,可以在本步骤中选择基础数据时,从已授权的专利中选取。网页获取单元320从网站上获取基础数据获取单元所选择专利信息的HTML格式网页。如果在HTML格式网页发生变化后,触发该装置开始执行操作,则网页获取单元320此时获取的HTML格式网页实际上是格式发生变化之后的网页。规则格式化单元330针对基础数据中的各数据项,分别从网页获取单元320获取的HTML格式网页中获取能够唯一定位各数据项的字符串,并分别格式化为解析各数据项的正则表达式。其中基础数据中的各数据项是用户所关心的专利著录项目中的一种或多种,例如发明名称、发明人信息、申请人信息、申请日、公开日、优先权信息、申请号、专利号等等。规则格式化单元330的具体结构将在后续具体描述。在通过上述单元反向解析的方式得到解析各数据项的正则表达式后,信息解析单元340利用解析各数据项的正则表达式,从网站未解析的HTML格式网页中解析专利信息,并将解析到的专利信息存入数据库。另外,由于本发明实施例提供的装置实际上是在页面的HTML格式发生变化时,利用已完成解析的专利信息进行反向解析得到正则表达式,也就是说,在HTML格式发生变化时可以启动本流程的执行,因为一旦解析得到了正则表达式,只要HTML格式不发生变化,则可以一直沿用该正则表达式进行专利信息的解析。为了实现正则表达式的反向解析,该装置还包括:触发控制单元300,用于定时检测网站的HTML格式是否发生变化,如果检测到HTML格式发生变化,则触发基础数据获取单元执行操作;或者,在人工控制下触发基础数据获取单元执行操作;或者,无论网站的HTML格式是否发生变化,均定期触发基础数据获取单元执行操作。下面对规则格式化单元330的具体结构进行描述,该规则格式化单元330可以具体包括:数据项获取子单元331、定位子单元332、格式化子单元333和检验子单元334。数据项获取子单元331获取基础数据中未被获取过的一个数据项作为当前数据项。定位子单元332在网页获取单元320获取的HTML格式网页中确定当前数据项的位置。格式化子单元333从定位子单元332确定的位置分别向前和向后截取预设截取长度的字符串,过滤截取的字符串中的非HTML标签后,将前后两个字符串格式化成正则表达式。其中,截取长度可以首先是个预设的初始值。截取的字符串中可能会包括HTML标签、专利信息、文本格式化的字符、回车换行符等等,其中只有标签类的信息是不随着专利不同而发生变化,具有定位意义,因此需要过滤不具备定位意义的非HTML标签。具体地,格式化子单元333在将前后两个字符串格式化成正则表达式时,具体将过滤后的前后两个字符串中的各字符作为正则表达式中的元字符,过滤的非HTML标签中紧邻当前数据项的普通字符在正则表达式中保留,过滤的其他内容在正则表达式中替换为正则表达式通配符号。检验子单元334检验格式化子单元333得到的正则表达式是否能够唯一定位当前数据项,如果是,则记录当前数据项对应的正则表达式,触发数据项获取子单元331,即继续开始下一个数据项的反向解析;否则,增大截取长度,触发格式化子单元333,即向前和向后截取更大长度的字符串来得到该数据项的正则表达式。具体地,检验子单元334可以将得到的正则表达式到网页获取单元获取的HTML格式网页中或者其他HTML格式网页中提取信息,判断是否能够唯一获取当前数据项的内容,如果是,则说明能够唯一定位当前数据项。更进一步地,该装置还可以包括:规则验证单元350,用于验证规则格式化单元330得到的各数据项的正则表达式,具体为:在规则格式化单元330得到解析各数据项的正则表达式后,从数据库中另选择一条已完成解析的专利信息,并从网站上获取另选择专利信息的HTML格式网页,利用规则格式化单元330得到解析各数据项的正则表达式从另选择专利信息的HTML格式网页上提取各数据项的专利信息,并判断提取的专利信息与数据库中存储的专利信息是否一致,如果一致,则确定验证通过,触发信息解析单元340;否则,指示对不一致的数据项的正则表达式进行修正。以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。