[发明专利]基于DOM树的正文抽取方法、装置、设备及存储介质有效
| 申请号： | 201910680827.4 | 申请日： | 2019-07-25 |
| 公开（公告）号： | CN110377796B | 公开（公告）日： | 2021-11-02 |
| 发明（设计）人： | 李子茂;江如茜;莫海芳;帖军;毛腾跃;夏梦;刘恋冬 | 申请（专利权）人： | 中南民族大学 |
| 主分类号： | G06F16/901 | 分类号： | G06F16/901;G06F16/957;G06F16/958 |
| 代理公司： | 深圳市世纪恒程知识产权代理事务所 44287 | 代理人： | 胡海国 |
| 地址： | 430074 湖北省武汉*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于DOM树的正文抽取方法、装置、设备及存储介质，通过获取待抽取网页中正文信息块对应的DOM树的各节点路径，根据各节点路径确定中心文本区间；根据预设编号集获取所述中心文本区间内的缺失编号，将所述缺失编号添加至所述中心文本区间的中心文本中，获得连续中心文本区间；遍历所述连续中心文本区间的节点路径下的各叶子节点，抽取各叶子节点的文本信息；将各文本信息进行连接组合，获得所述待抽取网页的正文文本信息，提高了网页正文信息抽取的准确率，提高了网页正文信息抽取的速度和效率，节省了信息抽取的时间，提升了用户体验。 | ||
| 搜索关键词： | 基于 dom 正文 抽取 方法 装置 设备 存储 介质 | ||
【主权项】：
1.一种基于DOM树的正文抽取方法，其特征在于，所述基于DOM树的正文抽取方法包括：获取待抽取网页中正文信息块对应的DOM树的各节点路径，根据各节点路径确定中心文本区间；根据预设编号集获取所述中心文本区间内的缺失编号，将所述缺失编号添加至所述中心文本区间的中心文本中，获得连续中心文本区间；遍历所述连续中心文本区间的节点路径下的各叶子节点，抽取各叶子节点的文本信息；将各文本信息进行连接组合，获得所述待抽取网页的正文文本信息。
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中南民族大学，未经中南民族大学许可，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/201910680827.4/，转载请声明来源钻瓜专利网。
