[发明专利]一种网页内容抽取的方法在审
| 申请号： | 201711392836.0 | 申请日： | 2017-12-14 |
| 公开（公告）号： | CN108132919A | 公开（公告）日： | 2018-06-08 |
| 发明（设计）人： | 郭国庆;翟建强 | 申请（专利权）人： | 宁波升维信息技术有限公司 |
| 主分类号： | G06F17/22 | 分类号： | G06F17/22;G06F17/30 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 315010 浙江省宁波*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开一种网页内容抽取的方法，涉及信息技术领域，可以在进行网页内容抽取时，准确抽取网页标题以及网页中各个元素。本发明通过将HTML源码转换为对应的文档树结构，并根据文档树结构的TITLE标签，确定网页标题；根据网页标题，确定网页中的网页元素，网页元素至少包括网站LOGO、页面导航、新闻发布时间、新闻来源；根据网页标题，以及文档树结构的文本块的密度和文字数，确定各个文本块的属性；抽取所述网页标题、所述网页元素以及所述网页内容为正文的正文文本块，获取网页全文。本发明提供的方案适于进行网页内容抽取时采用。 | ||
| 搜索关键词： | 网页标题 网页内容 抽取 网页元素 树结构 文档 网页 文本块 信息技术领域 新闻发布 新闻来源 页面导航 正文文本 网站 字数 标签 转换 | ||
【主权项】：
一种网页内容抽取的方法，其特征在于，包括：将超文本标记语言HTML源码转换为对应的文档树结构，并根据所述文档树结构的标题TITLE标签，确定网页标题；根据所述网页标题，确定网页中的网页元素，所述网页元素至少包括网站商标LOGO、页面导航、新闻发布时间、新闻来源；根据所述网页标题，以及所述文档树结构的文本块的密度和文字数，确定各个文本块的属性，所述文本块的属性包括所述文本块的网页内容为正文，或者所述文本块的网页内容非正文；抽取所述网页标题、所述网页元素以及所述网页内容为正文的正文文本块，获取网页全文。
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宁波升维信息技术有限公司，未经宁波升维信息技术有限公司许可，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/201711392836.0/，转载请声明来源钻瓜专利网。
