[发明专利]一种提取网页正文的方法有效
| 申请号： | 201510047773.X | 申请日： | 2015-01-30 |
| 公开（公告）号： | CN104573097B | 公开（公告）日： | 2018-07-24 |
| 发明（设计）人： | 赵亮 | 申请（专利权）人： | 湖南蚁坊软件有限公司 |
| 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： | 410013 湖南省长沙市高*** | 国省代码： | 湖南;43 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及网页文字信息处理领域，特别是一种提取网页正文的方法，包括以下步骤：步骤S101：网页源代码获取，获取html的页面源代码；步骤S102：解析并遍历标签，通过html解析器解析页面源代码获得标签并遍历每个标签；步骤S103：标签内容长度判断，对每个标签的内容长度进行判断，遍历标签内容长度后，确定标签内容长度最长的标签；步骤S104：提取标签内容，取出标签最长的标签内容，取出的内容就是需要提取的正文内容。采用上述方法后，由于网页的正文是由多个标签包含的，通过遍历每个标签，将相同标签的内容长度相加，再跟其他单个标签的长度相比较，最长的标签便是需要提取的正文内容，本发明既能保证处理速度，提取的准确率也高。 | ||
| 搜索关键词： | 一种 提取 网页 正文 方法 | ||
【主权项】：
1.一种提取网页正文的方法，其特征在于，包括以下步骤：步骤S101：网页源代码获取，获取html的页面源代码；步骤S102：解析并遍历标签，通过html解析器解析页面源代码获得标签并遍历每个标签；其中，网页的正文由一个或多个p、div、span以及a标签组成，p标签包含正文的内容，将这些p标签的内容长度相加；步骤S103：标签内容长度判断，对每个标签的内容长度进行判断，遍历标签内容长度后，确定标签内容长度最长的标签；步骤S104：提取标签内容，取出标签最长的标签内容，取出的内容就是需要提取的正文内容。
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湖南蚁坊软件有限公司，未经湖南蚁坊软件有限公司许可，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/201510047773.X/，转载请声明来源钻瓜专利网。
- 上一篇：一种评估特高压变电站进线段雷击安全性的仿真方法
- 下一篇：一种柔性六轴机器人
