[发明专利]一种网页正文抽取方法、装置、设备及存储介质在审
| 申请号： | 202110707708.0 | 申请日： | 2021-06-24 |
| 公开（公告）号： | CN113378088A | 公开（公告）日： | 2021-09-10 |
| 发明（设计）人： | 刘旭东;张尼;薛继东;苏马婧;宋栋;刘红 | 申请（专利权）人： | 中国电子信息产业集团有限公司第六研究所 |
| 主分类号： | G06F16/957 | 分类号： | G06F16/957;G06F40/14 |
| 代理公司： | 北京超凡宏宇专利代理事务所(特殊普通合伙) 11463 | 代理人： | 董艳芳 |
| 地址： | 102209 北京市昌平*** | 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： | 本申请提供了一种网页正文抽取方法、装置、设备及存储介质，该方法包括：从网页内容中抽取出网页正文段落，将抽取的网页正文段落添加至文本文件中，计算网页内容中每个起始标签和结束标签之间标点符号数量与包含字符数量的最小商值，得到的最小商值作为网页正文判定阈值，根据抽取模板中起始文本信息和结束文本信息，确定标签滑动窗口，根据标签滑动窗口遍历网页内容中标点符号数量与包含字符数量，抽取符合网页正文判定阈值的网页正文字段。本申请的有益效果在于：能够根据网页正文判定阈值从网页内容中精准的抽取出网页正文段落，提高了抽取精度、避免了抽取网页正文段落的冗余问题，以及通过滑动窗口算法，有效提高了抽取效率。 | ||
| 搜索关键词： | 一种 网页 正文 抽取 方法 装置 设备 存储 介质 | ||
【主权项】：
暂无信息
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国电子信息产业集团有限公司第六研究所，未经中国电子信息产业集团有限公司第六研究所许可，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/202110707708.0/，转载请声明来源钻瓜专利网。
