[发明专利]一种基于HTML标签的网页正文提取方法及装置无效
| 申请号： | 201210213554.0 | 申请日： | 2012-06-27 |
| 公开（公告）号： | CN102779169A | 公开（公告）日： | 2012-11-14 |
| 发明（设计）人： | 刘迎春;魏华峰;方筠捷 | 申请（专利权）人： | 江苏新瑞峰信息科技有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 212051 江苏省镇江市润州区*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明所提供一种基于HTML标签的网页正文提取方法和装置，能够比较准确地识别出非常规的网页结构中的网页正文，提高了提取网页正文内容的通用性、准确率、效率和可扩展性，不仅满足PAD和手机用户的即时访问需求，又可应用于信息检索领域的自动文摘和自动分类系统。 | ||
| 搜索关键词： | 一种 基于 html 标签 网页 正文 提取 方法 装置 | ||
【主权项】：
一种基于HTML标签的网页正文提取装置，包括中央处理器、寄存器、转义字符转换处理单元、净化处理单元、存储器，其特征是，中央处理单元按照如下步骤执行网页正文的提取：（1）中央处理器将网页的HTML代码以文本形式读入寄存器中，并将寄存器中的字符全部小写化，便于后面的字符匹配；（2）中央处理器通过扫描寄存器，将HTML网页划分成Head和Body两大区域块；（3）中央处理器调用净化处理单元，通过以下3个环节对寄存器进行净化：①删除head区域块中与网页标题无关的内容，②确定body区域块中网页正文标题的位置，③删除body区域块中与网页正文无关的内容；（4）中央处理器调用转义字符转换处理单元，把寄存器里面的转义字符转化成正常字符；（5）中央处理器依次在存储器中保存寄存器中网页信息，即为提取的网页正文部分。
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江苏新瑞峰信息科技有限公司，未经江苏新瑞峰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/201210213554.0/，转载请声明来源钻瓜专利网。
