[发明专利]选择性内容提取

权利要求书

1.一种用于提取网页内容的方法，包括：

在网页页面内检测包括多个节点的分级结构；

从所述多个节点识别潜在文章节点；

选择在分级结构中具有最高等级的所识别的潜在文章节点中的一个作为文章节点；以及

产生从文章节点提取的内容。

2.权利要求1的方法：

还包括将文章节点的内容与来自在与文章节点相同的分级水平处的其它节点的内容合并；以及

其中，产生包括产生合并的内容。

3.权利要求2的方法，还包括：

在与文章节点相同的分级水平处识别节点，该节点包含广告内容和在门限值以下的数量的文本内容中的一个或多个，以及

将来自所识别的节点的内容从合并的内容中排除。

4.权利要求1的方法，其中，识别潜在文章节点包括识别所述多个节点中的一个或多个，其包含超过门限的数量的文本内容。

5.权利要求1的方法，其中，网页页面是第一网页页面且文章节点是第一文章节点，该方法还包括：

确定第一网页页面是否包括包含指示第二网页页面的存在的内容的节点，所述第二网页页面包含具有作为第一文章节点内容的继续的内容的第二文章节点；

在肯定确定时：

在第二网页页面内检测包括多个节点的分级结构；

从所述多个节点识别潜在文章节点；

选择在第二网页页面的分级结构上首先出现的所识别的潜在文章节点作为第二文章节点；以及

从第二文章节点提取内容；以及

其中，产生包括产生从第一和第二文章节点提取的内容。

6.一种具有记录在其上面的计算机可执行指令的计算机可读介质，其中，该指令在被执行时促使处理系统实现方法，该方法包括：

在网页页面内检测包括多个节点的分级结构；

从所述多个节点识别潜在文章节点；

选择在分级结构中具有最高等级的所识别的潜在文章节点作为文章节点；以及

产生从文章节点提取的内容。

7.权利要求6的介质，其中：

该方法包括将文章节点的内容与来自在与文章节点相同的分级水平处的其它节点的内容合并；以及

产生包括产生合并的内容。

8.权利要求7的介质，其中，该方法包括：

在与文章节点相同的分级水平处识别节点，该节点包含广告内容和在门限值以下的数量的文本内容中的一个或多个，以及

将来自所识别的节点的内容从合并的内容中排除。

9.权利要求6的介质，其中，识别潜在文章节点包括识别所述多个节点中的一个或多个，其包含超过门限的数量的文本内容。

10.权利要求6的介质，其中，网页页面是第一网页页面且文章节点是第一文章节点，并且该方法包括：

确定第一网页页面是否包括包含指示第二网页页面的存在的内容的节点，所述第二网页页面包含具有作为第一文章节点内容的继续的内容的第二文章节点；

在肯定确定时：

在第二网页页面内检测包括多个节点的分级结构；

从所述多个节点识别潜在文章节点；

选择在第二网页页面的分级结构上首先出现的所识别的潜在文章节点作为第二文章节点；以及

从第二文章节点提取内容；以及

其中，产生包括产生从第一和第二文章节点提取的内容。

11.一种用于提取网页内容的系统，包括：

结构引擎，其可操作用于在网页页面内检测包括多个节点的分级结构；

文章引擎，其可操作用于从所述多个节点识别潜在文章节点以及选择在分级结构中具有最高等级的所识别的潜在文章节点作为文章节点；以及

产生引擎，其可操作用于产生从文章节点提取的内容。

12.权利要求11的系统，其中：

文章引擎可操作用于将文章节点的内容与来自在与文章节点相同的分级水平处的其它节点的内容合并并提取合并的内容；以及

所述产生引擎可操作用于产生合并的内容。