发明名称 |
一种提取网页内容的方法及装置 |
摘要 |
本申请公开了一种提取网页内容的方法及装置。利用主题元素的文本内容与网页中标题页面块的内容的关联关系,以及根据标题页面块与各页面块的相对位置,可以在各页面块中确定正文页面块,而不是仅仅考虑网页中各页面块的文本密度,从而过滤掉大部分无关信息,并提高了确定正文页面块的准确率,自正文页面块提取正文的准确性也得以提高。 |
申请公布号 |
CN106446139A |
申请公布日期 |
2017.02.22 |
申请号 |
CN201610835405.6 |
申请日期 |
2016.09.20 |
申请人 |
微梦创科网络科技(中国)有限公司 |
发明人 |
鄢军 |
分类号 |
G06F17/30(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
北京国昊天诚知识产权代理有限公司 11315 |
代理人 |
黄熊 |
主权项 |
一种提取网页内容的方法,其特征在于,包括:根据网页的代码中的主题元素的文本内容,确定所述网页中的标题页面块;根据所述网页中的各页面块与所述标题页面块的相对位置,在各页面块中确定正文页面块;从所述正文页面块中提取所述网页的正文。 |
地址 |
100193 北京市海淀区东北旺西路中关村软件园二期(西扩)N-1、N-2地块新浪总部科研楼2层 |