[发明专利]网页正文提取的方法和装置在审
| 申请号： | 201410816975.1 | 申请日： | 2014-12-23 |
| 公开（公告）号： | CN104462532A | 公开（公告）日： | 2015-03-25 |
| 发明（设计）人： | 邹月明;徐锐波 | 申请（专利权）人： | 北京奇虎科技有限公司;奇智软件（北京）有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 北京市立方律师事务所 11330 | 代理人： | 王增鑫 |
| 地址： | 100088 北京市西城区新*** | 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： | 本发明提供了一种网页正文提取的方法和装置，其中，提取并记录网页中包括的待处理标签及每个待处理标签所处路径的路径信息；基于路径信息对待处理标签分组，以确定多个标签组；计算每一标签组包括的有效文本信息的有效长度信息，以及每一标签组内每一待处理标签的平均有效长度信息；基于平均有效长度信息，对每一标签组内的多个待处理标签进行排序，确定每一标签组内排序前预定位置的多个第一候选标签；基于每个标签组包括的所述多个第一候选标签确定候选标签范围，提取候选标签范围中的文本信息。通过本方案的方法能够快速、准确地抽取各种类型网页的正文内容，由于基于完整健全的标签分析筛选方法，具有较高的正文提取准确率。 | ||
| 搜索关键词： | 网页 正文 提取 方法 装置 | ||
【主权项】：
一种网页正文提取的方法，其特征在于，包括：提取并记录网页中包括的待处理标签及每个待处理标签所处路径的路径信息；基于所述路径信息对所述待处理标签分组，以确定多个标签组；计算每一标签组包括的有效文本信息的有效长度信息，以及每一标签组内每一待处理标签的平均有效长度信息；基于所述平均有效长度信息，对每一标签组内的多个待处理标签进行排序，确定每一标签组内排序前预定位置的多个第一候选标签；基于每个标签组包括的所述多个第一候选标签确定候选标签范围，提取所述候选标签范围中的文本信息。
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京奇虎科技有限公司;奇智软件（北京）有限公司，未经北京奇虎科技有限公司;奇智软件（北京）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/201410816975.1/，转载请声明来源钻瓜专利网。
- 上一篇：一种数据对账方法、装置和系统
- 下一篇：基于移动终端的网页图片浏览方法及装置
