本发明属于机器翻译，具体地说，是涉及一种web小语种单语语料数据提取方法、装置及介质。
背景技术：
1、在机器翻译领域，小语种机翻引擎在训练过程中，语料数据的丰富性很重要。目前，大部分的语料数据，都来自互联网，从互联网海量数据中，提取出自己想要的小语种数据；现有技术所采取的技术方案，在语料数据提取过程中，容易提取很多无效信息，即增加了时间成本，也增加了数据清洗成本。
技术实现思路
1、本发明的目的在于提供一种web小语种单语语料数据提取方法，以解决现有技术所存在的技术问题。
2、为了实现上述目的，本发明采取的技术方案如下：
3、一种web小语种单语语料数据提取方法，包括以下步骤：
4、(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，网页内容的下载支持重复验证以及重试失败的下载；
5、(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；
6、(3)unicode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；
7、(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。
8、优选的，还包括数据存储到本地文件：在将文本信息字段存储到mongo数据库的同时，还将文本信息字段以文本文件、csv文件、xlsx文件或json文件格式保存到本地。
9、优选的，所述(1)中选择单个或者多个目标网页的方法如下：对于小语种的网页获取，通过搜索引擎搜索对应的语种的关键字进行获取。
10、优选的，所述(3)中每一行文本信息采用正则表达方法，通过判断该行文本信息中是否包含有匹配的unicode编码来判断该行文本信息中是否包含有所需要采集的语种文字。
11、为了实现上述目的，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现所述的web小语种单语语料数据提取方法。
12、为了实现上述目的，本发明还提供了一种web小语种单语语料数据提取的装置，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使得所述web小语种单语语料数据提取的装置执行所述的web小语种单语语料数据提取方法。
13、与现有技术相比，本发明具备以下有益效果：
14、(1)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。
15、(2)本发明采用unicode编码识别技术，能够有效地提取各种语种数据，充分利用unicode编码，避免数据丢失或无效数据。
16、(3)本发明具有较强的可扩展性，可以根据不同需求进行修改和定制，适应不同的小语种单语数据爬取任务。
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：
2.根据权利要求1所述的web小语种单语语料数据提取方法，其特征在于，还包括数据存储到本地文件：在将文本信息字段存储到mongo数据库的同时，还将文本信息字段以文本文件、csv文件、xlsx文件或json文件格式保存到本地。
3.根据权利要求2所述的web小语种单语语料数据提取方法，其特征在于，所述(1)中选择单个或者多个目标网页的方法如下：对于小语种的网页获取，通过搜索引擎搜索对应的语种的关键字进行获取。
4.根据权利要求3所述的web小语种单语语料数据提取方法，其特征在于，所述(3)中每一行文本信息采用正则表达方法，通过判断该行文本信息中是否包含有匹配的unicode编码来判断该行文本信息中是否包含有所需要采集的语种文字。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现如权利要求1～4中任一项所述的web小语种单语语料数据提取方法。
6.一种web小语种单语语料数据提取的装置，其特征在于，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使得所述web小语种单语语料数据提取的装置执行如权利要求1～4中任一项所述的web小语种单语语料数据提取方法。
