[发明专利]一种网页信息提取方法、装置及终端

摘要

本发明实施例公开了一种网页信息提取方法，包括：解析网页信息并生成得到所述网页信息的标签树，所述标签树包括多个节点，所述标签树的各个节点分别对应于所述网页信息中的一个内容分块；获取预先建立的网页信息词库，所述网页信息词库包括多种类型的词语集合，所述词语集合中的各个词语分别对应一个权值；根据所述预先建立的网页信息词库，通过遍历所述网页信息的标签树获取所述网页信息的正文内容块；根据所述网页信息的正文内容块，对所述网页信息中的至少一个内容元素进行提取。本发明实施例还公开了网页信息提取装置及终端。采用本发明实施例，可以网页信息的提取速度。

主权项

1.一种网页信息提取方法，其特征在于，所述方法包括：解析网页信息并生成得到所述网页信息的标签树，所述标签树包括多个节点，所述标签树的各个节点分别对应于所述网页信息中的一个内容分块；获取预先建立的网页信息词库，所述网页信息词库包括多种类型的词语集合，所述词语集合中的各个词语分别对应一个权值，所述各个词语对应的权值分别表示所述词语与正文内容的相关程度；根据所述预先建立的网页信息词库，通过遍历所述网页信息的标签树获取所述网页信息的正文内容块,包括：从所述预先建立的网页信息词库中分别获取各个内容分块中的各个词语对应的权值；根据所述各个内容分块中的各个词语对应的权值，分别计算所述各个内容分块的特征值，所述各个内容分块的特征值为所述各个内容分块中的多个词语对应的权值之和；根据所述各个内容分块的特征值，获取所述网页信息中的正文内容块；根据所述网页信息的正文内容块，对所述网页信息中的至少一个内容元素进行提取。