[发明专利]一种从新闻列表页抽取新闻记录元数据的方法及系统有效
| 申请号： | 201010530643.9 | 申请日： | 2010-10-29 |
| 公开（公告）号： | CN102467501A | 公开（公告）日： | 2012-05-23 |
| 发明（设计）人： | 赵继广;于晓明;杨建武;吴新丽 | 申请（专利权）人： | 北大方正集团有限公司;北京大学;北京北大方正电子有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京天悦专利代理事务所(普通合伙) 11311 | 代理人： | 田明;任晓航 |
| 地址： | 100871 北京*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种从新闻列表页抽取新闻记录元数据的方法及系统。本发明首先获取目标新闻列表页的网页源代码，按照所述网页源代码对应的HTML文本顺序生成HTML标签树；然后遍历所述HTML标签树，计算每个HTML标签子树的文本链接比得分，将文本链接比得分大于设定阈值的标签子树进行合并，获取一棵最大候选子树；最后从所述最大候选子树中抽取新闻记录元数据列表。采用本发明，用户只需输入新闻列表页，无需配置模板即可得到新闻记录，完全实现了新闻资讯网站列表页新闻记录抽取的自动化、无人化。而且无需关心新闻网站将来是否改版，极大降低了维护和使用成本。 | ||
| 搜索关键词： | 一种 新闻 列表 抽取 记录 数据 方法 系统 | ||
【主权项】：
一种从新闻列表页抽取新闻记录元数据的方法，包括以下步骤：(1)获取目标新闻列表页的网页源代码，按照所述网页源代码对应的HTML文本顺序生成HTML标签树；(2)遍历所述HTML标签树，计算每个HTML标签子树的文本链接比得分，将文本链接比得分大于设定阈值的标签子树进行合并，获取一棵最大候选子树；(3)从所述最大候选子树抽取新闻记录元数据列表。
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北大方正集团有限公司;北京大学;北京北大方正电子有限公司，未经北大方正集团有限公司;北京大学;北京北大方正电子有限公司许可，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/201010530643.9/，转载请声明来源钻瓜专利网。
