1.一種網(wǎng)頁數(shù)據(jù)分析處理方法，其特征在于：該方法基于一網(wǎng)頁數(shù)據(jù)服務(wù)平臺實(shí)現(xiàn)，所述網(wǎng)頁數(shù)據(jù)服務(wù)平臺包括客戶端、內(nèi)容服務(wù)器和分詞云服務(wù)器，所述內(nèi)容服務(wù)器上安裝有網(wǎng)頁抓取系統(tǒng)、內(nèi)容提取系統(tǒng)、內(nèi)容分析系統(tǒng)和數(shù)據(jù)庫，所述方法具體實(shí)現(xiàn)步驟如下：
S1、網(wǎng)頁抓取
所述網(wǎng)頁抓取系統(tǒng)獲取爬取任務(wù)，將待爬取 URL 加入爬蟲隊(duì)列，抓取網(wǎng)頁頁面；
S2、內(nèi)容提取
所述內(nèi)容提取系統(tǒng)基于閱讀習(xí)慣對步驟S1抓取的網(wǎng)頁頁面進(jìn)行分割，生成多個區(qū)塊，所述多個區(qū)塊包括主題塊和噪音塊，剔除所述噪音塊，提取主題塊的核心文本數(shù)據(jù)；
S3、中文分詞
向所述分詞云服務(wù)器發(fā)送分詞任務(wù)請求，并提交步驟S2提取的核心文本數(shù)據(jù)，分詞云服務(wù)器對核心文本數(shù)據(jù)進(jìn)行中文分詞處理，并將分詞結(jié)果發(fā)送給所述內(nèi)容分析系統(tǒng)；
S4、內(nèi)容分析
預(yù)先建立實(shí)體關(guān)系數(shù)據(jù)集，所述實(shí)體關(guān)系數(shù)據(jù)集包含一組命名實(shí)體以及與每個命名實(shí)體對應(yīng)的特征信息知識庫，內(nèi)容分析系統(tǒng)針提取所述步驟S3得到的分詞結(jié)果的關(guān)鍵詞，得到關(guān)鍵詞數(shù)據(jù)集，針對每個關(guān)鍵詞在特征信息知識庫搜索與該關(guān)鍵詞對應(yīng)的匹配結(jié)果，將該匹配結(jié)果對應(yīng)的命名實(shí)體作為屬性索引項(xiàng)添加到結(jié)構(gòu)化數(shù)據(jù)表，將該關(guān)鍵詞作為屬性值添加到結(jié)構(gòu)化數(shù)據(jù)表，遍歷關(guān)鍵詞數(shù)據(jù)集中的所有關(guān)鍵詞，得到結(jié)構(gòu)化數(shù)據(jù)集，基于結(jié)構(gòu)化數(shù)據(jù)集對核心文本數(shù)據(jù)及對應(yīng)的網(wǎng)頁頁面進(jìn)行分類，并存儲到數(shù)據(jù)庫；
S5、結(jié)果呈現(xiàn)
客戶端從數(shù)據(jù)庫中調(diào)取數(shù)據(jù)結(jié)果，并呈現(xiàn)給用戶。
2.根據(jù)權(quán)利要求1所述的一種網(wǎng)頁數(shù)據(jù)分析處理方法，其特征在于：所述步驟S2具體實(shí)現(xiàn)步驟如下：
S21、內(nèi)容提取系統(tǒng)針對步驟S1抓取的網(wǎng)頁頁面生成初始 DOM 樹；
S22、清理初始DOM 樹中無用節(jié)點(diǎn)，構(gòu)建目標(biāo) DOM 樹；
S23、利用基于視覺信息的網(wǎng)頁分塊算法對網(wǎng)頁頁面進(jìn)行分割，生成多個區(qū)塊，所述區(qū)塊攜帶有語義屬性，所述語義屬性包括鏈接個數(shù)、鏈接長度及文本長度；
S24、根據(jù)網(wǎng)頁頁面的鏈接數(shù)量和鏈接密度判斷網(wǎng)頁類型，若網(wǎng)頁類型為導(dǎo)航頁，則中止，若網(wǎng)頁類型為主題頁，則執(zhí)行步驟 S25；
S25、根據(jù)各個區(qū)塊的語義屬性，對各個區(qū)塊進(jìn)行分類，分為主題塊及噪音塊；
S26、剔除所述噪音塊，提取主題塊的核心文本數(shù)據(jù)。
3.根據(jù)權(quán)利要求2所述的一種網(wǎng)頁數(shù)據(jù)分析處理方法，其特征在于：所述步驟S22中的無用節(jié)點(diǎn)為初始DOM樹種與內(nèi)容提取無關(guān)的節(jié)點(diǎn)，其包括腳本、樣式控制信息、注釋及空格文本節(jié)點(diǎn)。
4.根據(jù)權(quán)利要求1至3任一所述的一種網(wǎng)頁數(shù)據(jù)分析處理方法，其特征在于：所述內(nèi)容服務(wù)器上安裝有第一壓縮/解壓縮系統(tǒng)，所述分詞云服務(wù)器上安裝有第二壓縮/解壓縮系統(tǒng)以及中文分詞系統(tǒng)，第一壓縮/解壓縮系統(tǒng)和第二壓縮/解壓縮系統(tǒng)均具有壓縮詞典，所述第一壓縮/解壓縮系統(tǒng)還包括第一壓縮模塊、第一解壓縮模塊及詞典升級模塊，所述第二壓縮/解壓縮系統(tǒng)還包括第二壓縮模塊、第二解壓縮模塊及詞典更新模塊；
所述步驟 S3 具體實(shí)現(xiàn)步驟如下：
S31、內(nèi)容服務(wù)器向分詞云服務(wù)器發(fā)送分詞任務(wù)請求，并利用第一壓縮模塊基于壓縮詞典對所述核心文本數(shù)據(jù)進(jìn)行數(shù)據(jù)壓縮處理，發(fā)送給分詞云服務(wù)器；
S32、分詞云服務(wù)器對分詞任務(wù)請求進(jìn)行安全驗(yàn)證，驗(yàn)證通過后利用第二解壓縮模塊進(jìn)行數(shù)據(jù)解壓縮處理，還原出核心文本數(shù)據(jù)；
S33、中文分詞系統(tǒng)對核心文本數(shù)據(jù)進(jìn)行中文分詞處理，生成分詞結(jié)果；
S34、利用第二壓縮模塊基于壓縮詞典對分詞結(jié)果進(jìn)行數(shù)據(jù)壓縮處理，發(fā)送給內(nèi)容服務(wù)器，同時將分詞結(jié)果存儲在分詞云服務(wù)器，對第二壓縮/解壓縮系統(tǒng)的壓縮詞典進(jìn)行更新；
S35、內(nèi)容服務(wù)器利用第一解壓縮模塊進(jìn)行數(shù)據(jù)解壓縮處理，還原出分詞結(jié)果，同時與分詞云服務(wù)器進(jìn)行通信，對第一壓縮/解壓縮系統(tǒng)的壓縮詞典進(jìn)行升級。
5.根據(jù)權(quán)利要求4所述的一種網(wǎng)頁數(shù)據(jù)分析處理方法，其特征在于：所述步驟 S33中的中文分詞處理通過以下步驟實(shí)現(xiàn)：
漢轉(zhuǎn)音剔除錯誤字詞；
通過同義匹配、詞性確認(rèn)、語法切割、固定詞匹配、標(biāo)點(diǎn)規(guī)范、縮進(jìn)規(guī)范、冗余感知及網(wǎng)絡(luò)修正進(jìn)行分詞處理。
6.根據(jù)權(quán)利要求1所述的一種網(wǎng)頁數(shù)據(jù)分析處理方法，其特征在于：所述步驟S4還包括：
計算每個關(guān)鍵詞在核心文本數(shù)據(jù)出現(xiàn)的頻度，找出未與特征信息知識庫實(shí)現(xiàn)匹配且頻度高于預(yù)設(shè)頻度閾值的關(guān)鍵詞，并將該關(guān)鍵詞計入候選詞庫，存儲到數(shù)據(jù)庫中。