[发明专利]一种网页正文提取方法、装置、计算机装置及计算机可读存储介质有效
| 申请号： | 201810641914.4 | 申请日： | 2018-06-21 |
| 公开（公告）号： | CN108763591B | 公开（公告）日： | 2021-01-08 |
| 发明（设计）人： | 李丹;吴潇;李靖 | 申请（专利权）人： | 湖南星汉数智科技有限公司 |
| 主分类号： | G06F16/957 | 分类号： | G06F16/957 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 410000 湖南省长沙市高新开*** | 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： | 本发明适用于互联网技术领域，提供了一种网页正文提取方法、装置、计算机装置及计算机可读存储介质，该网页正文提取方法包括：构建DOM树，根据DOM树中的h标签的文本与title标签的文本的相似度，确定网页标题位置；对所述DOM树进行过滤，获取行块列表；通过所述行块列表中行块与所述网页标题位置，确定网页正文区域；根据所述网页正文区域，确定网页正文的开始位置和结束位置，并提取所述开始位置与所述结束位置之间的文本为网页正文。本发明实施例提供的网页正文抽取方法，提高了正文抽取的准确度以及正文抽取的效率，正文抽取方法适用范围更广。 | ||
| 搜索关键词： | 一种 网页 正文 提取 方法 装置 计算机 可读 存储 介质 | ||
【主权项】：
1.一种网页正文提取方法，其特征在于，所述网页正文提取方法包括：构建DOM树，根据所述DOM树中的h标签的文本与title标签的文本的相似度，确定网页标题位置；对所述DOM树进行过滤，获取行块列表；通过所述行块列表中行块与所述网页标题位置，确定网页正文区域；根据所述网页正文区域，确定网页正文的开始位置和结束位置，并提取所述开始位置与所述结束位置之间的文本为网页正文。
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湖南星汉数智科技有限公司，未经湖南星汉数智科技有限公司许可，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/201810641914.4/，转载请声明来源钻瓜专利网。
