[发明专利]基于HTML特征的文本内容提取方法无效
| 申请号： | 200610028064.8 | 申请日： | 2006-06-22 |
| 公开（公告）号： | CN101093487A | 公开（公告）日： | 2007-12-26 |
| 发明（设计）人： | 金骏;胡创义 | 申请（专利权）人： | 上海新纳广告传媒有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 上海科盛知识产权代理有限公司 | 代理人： | 赵志远 |
| 地址： | 200050上*** | 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： | |||
| 搜索关键词： | 基于 html 特征 文本 内容 提取 方法 | ||
【权利要求书】：
1.基于HTML特征的文本内容提取方法，其特征在于，该方法实现的步骤包括：
1)使用标签把输入的HTML网页进行分解成多个模块；
2)如果1)中分解的模块还能继续再分解而且没有出现Table或Div标签混杂的情况，那么再把它送到步骤1)继续分解；
3)把输入的模块根据在布局中的不同位置给与不同位置得分；
4)计算每个模块的链接文字长度和每个模块超链接内文本的长度；
5)根据公式：综合得分＝位置得分×文字长度/链接文字长度得出每个模块得综合得分，综合得分最高的为内容模块。
2.根据权利要求1所述的基于HTML特征的文本内容提取方法，其特征在于，所述的步骤1)中的标签为Table标签和Div标签。
3.根据权利要求1所述的基于HTML特征的文本内容提取方法，其特征在于，所述的步骤3)中的输入模块处于布局中的用户注意力集中的位置成为网页内容模块的权重。
4.根据权利要求1所述的基于HTML特征的文本内容提取方法，其特征在于，所述的步骤4)中的模块的链接文字长度和每个模块超链接内文本的长度比例判断文本内容是否为内容模块。
5.根据权利要求1所述的基于HTML特征的文本内容提取方法，其特征在于，所述的步骤5)中的综合得分，其分值最高的为内容模块，该内容模块的内容为HTML所要表达的内容。
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上海新纳广告传媒有限公司，未经上海新纳广告传媒有限公司许可，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/pat/books/200610028064.8/1.html，转载请声明来源钻瓜专利网。
- 上一篇：一种基于缆桥技术的设备自动配置方法
- 下一篇：异常电源电压切断装置
