[发明专利]一种正文页的识别方法及装置有效
| 申请号： | 201310021405.9 | 申请日： | 2013-01-21 |
| 公开（公告）号： | CN103942211B | 公开（公告）日： | 2019-04-26 |
| 发明（设计）人： | 黄钰 | 申请（专利权）人： | 腾讯科技（深圳）有限公司 |
| 主分类号： | G06F16/955 | 分类号： | G06F16/955 |
| 代理公司： | 广州三环专利商标代理有限公司 44202 | 代理人： | 郝传鑫;熊永强 |
| 地址： | 广东省深圳市福田区*** | 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： | 本发明实施例公开了一种正文页的识别方法及装置，其中，所述方法包括：获取网页页面的页面特征，所述页面特征包括统一资源定位符URL特征、二级导航特征、所述网页页面中每一个页面分块的分块类别中的任一种或多种；根据获取的页面特征对所述网页页面进行识别，若获取的所述页面特征满足预置的正文判决条件，确定所述网页页面为正文页。采用本发明，能够较为准确地识别出网页页面是否为正文页，以便更好地实现页面抽取、转换等操作。 | ||
| 搜索关键词： | 一种 正文 识别 方法 装置 | ||
【主权项】：
1.一种正文页的识别方法，其特征在于，包括：获取网页页面的页面特征，所述页面特征包括统一资源定位符URL特征、二级导航特征、所述网页页面中每一个页面分块的分块类别中的任一种或多种；根据获取的页面特征对所述网页页面进行识别，若获取的所述页面特征满足预置的正文判决条件，确定所述网页页面为正文页；若页面特征包括URL特征，则判断所述URL特征中的网页类型特征词是否包含在预置的正文特征词库中；若包含在预置的正文特征词库中，则进一步判断所述URL特征中是否包括页面日期特征，或者判断所述URL特征中的标识特征词是否包含在所述正文特征词库中；若是，则获取的所述页面特征满足预置的正文判决条件，确定所述网页页面为正文页；其中，在判断获取的所述页面特征是否满足预置的正文判决条件之前，预置正文特征词库，所述分块类别是对所述网页页面分块处理后得到的每一个页面分块的类别，包括标题类别、来源类别以及正文类别中的任一种或多种。
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腾讯科技（深圳）有限公司，未经腾讯科技（深圳）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/201310021405.9/，转载请声明来源钻瓜专利网。
- 上一篇：一种多功能令克棒
- 下一篇：一种钽电容器阳极钽芯烧结过程中钽的防氧化方法
