[发明专利]一种网页正文提取比对装置在审
| 申请号： | 201510698546.3 | 申请日： | 2015-10-23 |
| 公开（公告）号： | CN105426388A | 公开（公告）日： | 2016-03-23 |
| 发明（设计）人： | 不公告发明人 | 申请（专利权）人： | 青岛恒波仪器有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京科亿知识产权代理事务所(普通合伙) 11350 | 代理人： | 苏雪雪 |
| 地址： | 266071 山东省*** | 国省代码： | 山东;37 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种网页正文提取对比装置，包括以下模块：模块A：用于基于对于网页特定标签，判断网页是否为正文页；模块B：用于对平行网页的识别；所述模块B进一步包括以下子模块：特征信息提取子模块和支持向量机分类子模块；所述特征信息提取子模块用于：建立特征信息：特征信息包括网页HTML标签结构信息和基于内容的文本长度信息、文本句数信息和数字序列信息；将HTML标签按其在网页布局、显示、链接功能特征划分为结构标签、格式标签和无关标签三类标签：本发明网页正文提取比对装置能提取正文较短的网页，内容的长短并不会影响选择的正确性。 | ||
| 搜索关键词： | 一种 网页 正文 提取 装置 | ||
【主权项】：
一种网页正文提取对比装置，其特征在于，包括以下模块：模块A：用于基于对于网页特定标签，判断网页是否为正文页；模块B：用于对平行网页的识别；所述模块A进一步包括以下子模块：预处理子模块：用于对网页预处理，构造HTML树；获取主题子模块：用于获取网页主题；提取分块子模块：用于提取分块内的字符串内容；计算距离子模块：用于计算主题S和一个块内内容y的距离；比较距离子模块：用于比较编辑距离L和max(p，q)。
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青岛恒波仪器有限公司，未经青岛恒波仪器有限公司许可，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/201510698546.3/，转载请声明来源钻瓜专利网。
- 上一篇：一种基于图像识别的试题搜索方法和系统
- 下一篇：检索辅助装置、方法
