[发明专利]一种网页正文的提取方法有效
| 申请号： | 201510017223.3 | 申请日： | 2015-01-14 |
| 公开（公告）号： | CN104598577B | 公开（公告）日： | 2017-09-15 |
| 发明（设计）人： | 汤奇峰;刘作涛 | 申请（专利权）人： | 晶赞广告（上海）有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 上海翰信知识产权代理事务所(普通合伙)31270 | 代理人： | 张维东 |
| 地址： | 200072 上海市闸*** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 一种网页正文的提取方法，包括以下步骤步骤一，通过正则表达式提取网页标题；步骤二，网页预处理；步骤三，动态划分文本块；步骤四，对文本块进行打分，选取最优文本块；步骤五，循环扩大文本块。本发明提取速度很快，无论对新闻门户还是个人博客、论坛社区的各种网页都有很好的提取效果，且准确性高、鲁棒性好。 | ||
| 搜索关键词： | 一种 网页 正文 提取 方法 | ||
【主权项】：
一种网页正文的提取方法，其特征在于，包括以下步骤：步骤一，通过正则表达式提取网页标题；步骤二，网页预处理，获取网页中连续的文本片段；步骤三，动态划分文本块；步骤四，根据每个文本块的文字长度、超链接个数、标点符号个数、停止词个数、与标题的相似度、文本块在所有文本中的相对位置的信息基于预定规则分别对每个文本块进行打分，选取最优文本块；步骤五，基于预定规则循环扩大所述最优文本块，扩大后的最优文本块为正文信息。
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晶赞广告（上海）有限公司，未经晶赞广告（上海）有限公司许可，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/201510017223.3/，转载请声明来源钻瓜专利网。
