[发明专利]将超文字标签语言文件转换成纯文字文件的方法

说明书

技术领域

本发明涉及一种网页内容的萃取方法，特别是有关一种可以从超文字标签 语言(Hyper Text Markup Language，HTML)文件中找出和HTML文件主题最接 近的重要内容，并将此重要内容输出为纯文字文件的方法。

背景技术

HTML文件是一种可以被网络浏览器(browser)读取，再以网页方式显示其 内容的一种文件。和一般纯文字文件(txt file)不同的是，HTML文件的内容 不仅包含纯文字的部份，还包含了许多的标记(tag)和其它格式的信息如影像 或是影片，而标记的作用在指示网络浏览器，以指定的形式，将内容显示在网 页之中，使网页的内容更丰富且具备多样性。但是目前有许多携带型的电子产 品由于硬件的限制，例如较小的显示器而无法显示完整的网页内容，也有一些 应用程序只需要撷取或是显示网页中特定的文字内容，而不希望包含其它不重 要的噪声，所以为了支持这些应用程序(application)或是装置，已有厂商发 展出一些可以将HTML文件中的纯文字内容萃取出来的技术。

在已核准的台湾发明专利434492提出了《一种超媒体文件转换为语音的 方法》，其中提到了一种超媒体标示语言剖析器可以分析超媒体文件档案(即 HTML文件)的内容，将其分离成文字内容、标示文件结构的超媒体标签及控制 发音方式的发音控制指令，但是在此专利技术中并未进一步对分离出来的文字 内容进行处理，以除去可能存在不重要的或是与文件主题无关的噪声。

在已核准的台湾发明专利200813763提出了《多线程分析网页数据的系统 及方法》，公开了一种基于分析规则，利用一判断模块对XML格式网页的内容 中是否有相应的分析规则，再依判断结果决定是否再利用一分析模块对网页内 容进行评估，及根据所述分析规则中的限定判断所述分析后的网页内容是否符 合评估要求，期望能快速、有效地萃取所需浏览网页中的信息；但是在此一技 术中并未详细公开所述的分析规则。

另外一种已知将HTML文件转换成纯文字内容的技术，首先是对HTML文件 做标签的处理，删除不重要的标签、和其中一些标签内夹带的内容，接着从剩 余的内容中把剩余标签内夹带的文字或句子提取出来，以这些句子当中最长的 句子为基础句子(base句子)，从base句子向前及向后以寻找在一预定范围内 (例如10个相邻句子范围)且长度够长的句子，这个过程称为距离扩散寻找步 骤，一旦找到这种句子就再从找到的句子，再往外寻找预定范围以内是否还有 长度够长的句子，直到找不到为止，最后将最前面的一句到最后面的一句范围 内所有的句子提出来，即为最后的纯文字内容，再将这个纯文字内容输出为纯 文字文件。

上述将HTML文件转换成纯文字内容的技术，存在着一些问题如下：

1.重要内文区块中间夹杂的不重要句子或文字，也会一并被萃取出来。

2.有的文章前后句子很短，若是未达到预设的长度就会被略过而无法被萃 取出来，也不会在扩散寻找的过程中被找出来。

3.有时最长的句子或文字未必是重要的内容，虽然最长的句子通常是重要 内容的机率很高，但也会有例外的情况，例如某一网页内的新闻内容非常短， 但是这个新闻内容才是重要的句子或文字，如广告或其它新闻超级链接可能是 最长的句子或文字，并不是我们所认为重要的句子或文字，若是采用前述的现 有技术，就会出现挑选内容完全错误的情况发生。

因此，如何在HTML文件，特别是从网页内容中找出和文件标题相关的纯 文字内容，才是我们所关心的课题，仅仅是把HTML文件中的纯文字内容萃取 出来是不够的，如果萃取出来的纯文字内容又与HTML文件的标题无关，也非 我们所期待的结果。

发明内容

本发明的目的在提出一种可以从超文字标签语言文件(HTML文件)中提取 重要的内容的方法，换言之就是可以简化HTML文件的内容，只将其中重要的 内容提取出来成为纯文字文件的一种方法。

本发明的目的之一在提出一种可从HTML文件中提取和HTML文件标题最接 近的内容，并输出成为纯文字文件的方法。

为达上述目的，本发明的方法的较佳实施例包括下列步骤：

1、取得HTML文件；