[发明专利]网站的页面主体的确定方法及装置

权利要求书

1.一种网站的页面主体的确定方法，其特征在于，包括：

获取目标页面，其中，所述目标页面为待进行页面主体提取的页面；

获取所述目标页面中满足预定条件的目标标签；

确定所述目标标签的标签内容，得到标签内容集合；

获取所述标签内容集合中每个标签内容的属性值，得到属性值集合；

根据所述属性值集合中的属性值确定所述目标页面的页面主体。

2.根据权利要求1所述的方法，其特征在于，获取所述标签内容集合中每个标签内容的属性值包括：

确定所述每个标签内容的预定字符数量和预定字符占比；

根据所述每个标签内容的所述预定字符数量和所述预定字符占比确定所述每个标签内容的属性值。

3.根据权利要求2所述的方法，其特征在于，根据所述每个标签内容的所述预定字符数量和所述预定字符占比确定所述每个标签内容的属性值包括：

对所述每个标签内容的预定字符数量和预定字符占比进行归一化；

根据归一化后的预定字符数量和预定字符占比确定所述每个标签内容的属性值。

4.根据权利要求3所述的方法，其特征在于，对所述每个标签内容的预定字符数量和预定字符占比进行归一化包括：

通过第一公式对所述每个标签内容的预定字符占比进行归一化，其中，所述第一公式为：Norinta(i)＝(inta(i)-intaMu)/stdinta，其中，Norinta(i)表示归一化后的第i个目标标签的标签内容的预定字符占比，inta(i)表示归一化前的第i个目标标签的标签内容的预定字符占比，intaMu表示i个目标标签的标签内容的预定字符占比的均值，stdinta表示i个目标标签的标签内容的预定字符占比的方差，i为目标标签的数量，i为正整数；

通过第二公式对所述每个标签内容的预定字符数量进行归一化，其中，所述第二公式为：NorCN(i)＝(CN(i)-CNMu)/stdCN，其中，NorCN(i)表示归一化后的第i个目标标签的标签内容的预定字符数量，CN(i)表示归一化前的第i个目标标签的标签内容的预定字符数量，CNMu表示i个目标标签的标签内容的预定字符数量的均值，stdCN表示i个目标标签的标签内容的预定字符数量的方差。

5.根据权利要求4所述的方法，其特征在于，获取所述标签内容集合中每个标签内容的属性值包括：

通过第三公式确定所述标签内容集合中每个标签内容的属性值，其中，所述第三公式为：power(ki)＝Norinta(i)*NorCN(i)，其中，power(ki)表示第i个标签内容的属性值，Norinta(i)表示归一化后的第i个目标标签的标签内容的预定字符占比，NorCN(i)表示归一化后的第i个目标标签的标签内容的预定字符数量。

6.根据权利要求5所述的方法，其特征在于，在根据所述属性值集合中的属性值确定所述目标页面的页面主体之前，还包括：

确定目标页面的最低预定字符占比和最低预定字符数量；

确定所述标签内容集合中标签内容满足预设条件的标签内容，得到目标标签内容集合，其中，所述预设条件包括：预定字符占比大于所述最低预定字符占比，预定字符数量大于所述最低预定字符数量；

确定所述目标标签内容集合中每个目标标签内容的属性值；

根据所述每个目标标签内容的属性值确定所述目标页面的页面主体。

7.根据权利要求6所述的方法，其特征在于，根据所述每个目标标签内容的属性值确定所述目标页面的页面主体包括：

确定所述每个目标标签内容的属性值中最大的属性值；

确定所述最大的属性值对应的标签内容为所述目标页面的页面主体。