[发明专利]网页正文抽取方法及装置在审
| 申请号： | 201710581171.1 | 申请日： | 2017-07-17 |
| 公开（公告）号： | CN107463634A | 公开（公告）日： | 2017-12-12 |
| 发明（设计）人： | 晋彤;李永康 | 申请（专利权）人： | 广州特道信息科技有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 广州三环专利商标代理有限公司44202 | 代理人： | 梁顺宜,郝传鑫 |
| 地址： | 510000 广东省广州市越秀*** | 国省代码： | 广东;44 |
| 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抽取方法，通过下载网页页面，根据所述网页页面获取网页源代码，然后根据所述网页源代码创建DOM树，基于所述DOM树和所述网页页面的页面样式生成视觉树，再基于所述视觉树定位分支结点，采用优选策略在已定位的分支节点中选取正文结点，将已选取的正文结点进行去杂质处理，从而生成所述网页页面的正文，能有效避免现有抽取技术中人工编写和模板的弊端，能有效提取网页内容，兼容性高，杂质去除完整。 | ||
| 搜索关键词： | 网页 正文 抽取 方法 装置 | ||
【主权项】：
一种网页正文抽取方法，其特征在于，包括步骤：下载网页页面，根据所述网页页面获取网页源代码，；根据所述网页源代码创建DOM树，基于所述DOM树和所述网页页面的页面样式生成视觉树；基于所述视觉树定位分支结点，采用优选策略在已定位的分支节点中选取正文结点；将已选取的正文结点进行去杂质处理，从而生成所述网页页面的正文。
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广州特道信息科技有限公司，未经广州特道信息科技有限公司许可，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/201710581171.1/，转载请声明来源钻瓜专利网。
