[发明专利]一种新闻列表页判断方法及筛选新闻列表页的方法有效
| 申请号： | 201410382359.X | 申请日： | 2014-08-06 |
| 公开（公告）号： | CN104182482B | 公开（公告）日： | 2018-05-22 |
| 发明（设计）人： | 刘晓娜;张凯;程学旗;刘悦;张瑾;余智华 | 申请（专利权）人： | 中国科学院计算技术研究所 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京泛华伟业知识产权代理有限公司 11280 | 代理人： | 王勇;李科 |
| 地址： | 100190 北*** | 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： | 本发明提供一种新闻列表页判断方法及筛选新闻列表页的方法，该方法包括获取网页，判断所述网页是否为新闻网页；如果所述网页不是新闻网页，则在所述网页中采集子网页对各个子网页重复本判定流程；如果所述网页是新闻网页并且被判定为频道内新闻网页，则判断所述网页的父网页是否为新闻网页；如果所述父网页不是新闻网页，则记录所述网页与所述父网页的关联信息；以及根据所述关联信息判断出新闻列表页等步骤。利用本发明提供的方法找到新闻列表页之后，现有的新闻采集器可以直接将新闻列表页作为起始页采集新闻内容，从而提高新闻数据的采集效率。 | ||
| 搜索关键词： | 一种 新闻 列表 判断 方法 筛选 | ||
【主权项】：
1.一种新闻列表页判断方法，其特征在于，包括：步骤(1)，获取网页，判断所述网页是否为新闻网页，包括：将所述网页中满足第一正则表达式、锚文本的字符长度大于设定的锚文本长度阀值、并且网页内容中包含时间信息的网页判定为新闻网页，并将其余网页判定为非新闻网页，其中所述第一正则表达式是新闻URL的正则表达式；如果所述网页不是新闻网页，则在所述网页中采集子网页，并对所述子网页重新执行所述步骤(1)；如果所述网页是新闻网页，则判断所述网页的父网页是否为新闻网页，如果所述父网页不是新闻网页，则记录所述网页与所述父网页的关联信息；步骤(2)，根据所述关联信息判断出新闻列表页。
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中国科学院计算技术研究所，未经中国科学院计算技术研究所许可，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/201410382359.X/，转载请声明来源钻瓜专利网。
