本發明公開了用于提高統一資源定位符提取準確率的方法和設備，該方法包括：使用根據規則從原始數據中提取的原始統一資源定位符進行網絡訪問；當所述網絡訪問失敗時，修改所述原始數據中的原始統一資源定位符以獲得最終統一資源定位符；根據所述最終統一資源定位符修改所述規則。使用本發明的方法和設備可以提高統一資源定位符提取準確率。

技術領域

本發明的實施方式涉及一種用于提供統一資源定位符(URL)提取準確率的方法和設備。

背景技術

Web 2.0時代的到來，逐漸改變了Web 1.0時代的信息傳播方式，用戶的角色也發生了改變并被重新定位。通過Web 2.0技術，信息傳播的成本變得非常低廉而且效率非常高，用戶在互聯網上可以獲得更大、更好的傳播、分享信息的自由。例如，各種社交網絡、資源共享網絡、各種社區、論壇、博客、微博等都為用戶發布各種信息和內容提供了各種各樣的途徑。因此，在互聯網上將存在越來越多由用戶創作的內容(UGC)和用戶分享的內容。

當用戶分享諸如視頻、音頻或網頁之類的網絡內容時，經常通過在其發送的內容中加入引用或分享的內容的鏈接。當前的社交網站或其它一些的網絡提供商經常提供短鏈接服務，其將用戶發送的內容中的URL轉換成較短的形式予以顯示。例如，人人網提供的短鏈接服務可以將內容中的URL(比如http://v.youku.com/v_show/id_XNDMyNTQ1MTE2.html)轉換成比如http://rrurl.cn/3h9d4i。這需要從用戶發送的內容的中提取正確的URL。一種常用的提取方式是基于正則表達式的字符串匹配，即在程序中寫一個正則，然后每次在內容中尋找匹配。這種方式是一種性價比很高的方式，解析效果比較好，大多數情況都能解析，但是涉及到一些特殊的規則的時候則會出現問題，比如出現了中文，有的是中文域名的網站，有的是在url本身(不是參數部分queryString)包含中文比如“http://www.campaignchina.com/Article/285702，徐進加盟靈獅中國，出任合伙人兼北京靈獅首席執行官.aspx”這個網址，如果在正則中不支持中文(這是目前各大網站的策略)則不能正確解析這個鏈接，如果我們在正則中支持中文那么問題更嚴重，因為很多用戶在粘貼了鏈接后會馬上輸入別的內容，比如“http://news.163.com/12/0416/22/7V8CVANB00014JB5.html這里面說事情好奇怪啊”這時會把整句話都進行轉換，此時的錯誤更加嚴重。所以需要解決這個問題。

發明內容

為了解決上述問題，根據本發明的一個方面，提供了一種用于提高統一資源定位符提取準確率的方法，包括：使用根據規則從原始數據中提取的原始統一資源定位符進行網絡訪問；當所述網絡訪問失敗時，修改所述原始數據中的原始統一資源定位符以獲得最終統一資源定位符；根據所述最終統一資源定位符修改所述規則。

根據本發明的另一方面，提供了一種用于提高統一資源定位符提取準確率的設備，包括：用于使用根據規則從原始數據中提取的原始統一資源定位符進行網絡訪問的裝置；用于當所述網絡訪問失敗時修改所述原始數據中的原始統一資源定位符以獲得最終統一資源定位符的裝置；用于根據所述最終統一資源定位符修改所述規則的裝置。

通過使用根據本發明的一些方面的方法和設備，可以較為準確地識別內容中的URL，從而提高了URL的提取準確率。

附圖說明

通過對結合附圖所示出的實施方式進行詳細說明，本發明的上述以及其他特征將更加明顯，本發明附圖中相同的標號表示相同或相似的元素。在附圖中：

圖1示出了適于實現本發明實施方式的計算系統的框圖；

圖2是根據本發明的一個實施例的方法的流程圖；

圖3是根據本發明的另一個實施例的方法的流程圖；

圖4是根據本發明的又一個實施例的方法的流程圖；