[发明专利]一种网页正文的识别处理方法及装置在审
| 申请号： | 201910945459.1 | 申请日： | 2019-09-30 |
| 公开（公告）号： | CN110795933A | 公开（公告）日： | 2020-02-14 |
| 发明（设计）人： | 禹庆华;叶盛;李凯;沈鹏;李国辉 | 申请（专利权）人： | 奇安信科技集团股份有限公司;网神信息技术(北京)股份有限公司 |
| 主分类号： | G06F40/279 | 分类号： | G06F40/279;G06F40/163;G06F40/131 |
| 代理公司： | 11002 北京路浩知识产权代理有限公司 | 代理人： | 马瑞 |
| 地址： | 100088 北京市西城区*** | 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： | 本发明实施例公开了一种网页正文的识别处理方法及装置，方法包括：获取待识别网页的网页源码，清除所述网页源码中所有的网页标签，得到包括空白行的网页文本；根据空白行对所述网页文本进行分块，得到若干个文字区块，各文字区块之间为空白行；统计各文字区块的文字数量，根据各文字区块的文字数量确定网页正文的边界，并根据网页正文的边界识别所述待识别网页中的网页正文。本发明实施例通过统计各文字区块的文字数量来确定网页正文的边界，并根据边界识别待识别网页中的网页正文，适应于所有类型的网页正文提取，提取过程简单，大大提高了网页正文提取的准确性和泛化性。 | ||
| 搜索关键词： | 网页正文 文字区块 边界识别 网页文本 网页源码 网页 数量确定 网页标签 泛化性 分块 统计 | ||
【主权项】：
1.一种网页正文的识别处理方法，其特征在于，包括：/n获取待识别网页的网页源码，清除所述网页源码中所有的网页标签，得到包括空白行的网页文本；/n根据空白行对所述网页文本进行分块，得到若干个文字区块，各文字区块之间为空白行；/n统计各文字区块的文字数量，根据各文字区块的文字数量确定网页正文的边界，并根据网页正文的边界识别所述待识别网页中的网页正文。/n
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奇安信科技集团股份有限公司;网神信息技术(北京)股份有限公司，未经奇安信科技集团股份有限公司;网神信息技术(北京)股份有限公司许可，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/201910945459.1/，转载请声明来源钻瓜专利网。
