[发明专利]一种基于示例页面的网页正文提取方法在审
| 申请号： | 201310665878.2 | 申请日： | 2013-12-11 |
| 公开（公告）号： | CN103699591A | 公开（公告）日： | 2014-04-02 |
| 发明（设计）人： | 兰秋军 | 申请（专利权）人： | 湖南大学 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 长沙新裕知识产权代理有限公司 43210 | 代理人： | 赵登高 |
| 地址： | 410082 *** | 国省代码： | 湖南;43 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种从网页中过滤掉广告、无关链接、图片等噪声信息，提取网页正文的方法。其特征在于利用同一网站栏目页面在结构、内容上的相似性，快速、准确地提取网页正文。该方法首先由用户指定一个示例页面，然后系统利用页面标签，做初步过滤，再基于编辑距离计算待处理页面和示例页面文本间的相似性，快速识别页面正文所处位置边界，从而从含噪声的页面文本中提取纯正的正文内容。本发明具有操作简单、易行，快速准确的特点。其技术方案可广泛用于网页文本信息采集、搜索、转载、挖掘分析等系统中。 | ||
| 搜索关键词： | 一种 基于 示例 页面 网页 正文 提取 方法 | ||
【主权项】：
一种基于示例页面的网页正文提取方法，其特征在于，由下述步骤构成：(1)用户或程序指定一个示例页面；(2)利用网页标签初步过滤，获得含正文的文本；(3) 利用编辑距离模型计算待提取页面文本与示例页面文本间的相似性，识别正文边界；(4)提取正文。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于湖南大学，未经湖南大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201310665878.2/，转载请声明来源钻瓜专利网。
- 上一篇：药箱自动码垛生产线
- 下一篇：一种地下室外墙外侧排水盲沟
