基于文本标签特征挖掘的网页正文提取方法

摘要

本发明公开了一种基于文本标签特征挖掘的网页正文提取方法，包括以下步骤：S1、进行网页标签预处理及Html标签修复；S2、Html标签特征选择及提取；S3、标签特征聚类挖掘及正文簇选择；S4、正文簇内标签经验性调整；S5、正文簇标签文本提取。本发明通过对网页源码进行标签挖掘，运用层次聚类算法对网页标签进行聚类，提取出正文标签所在的簇，再根据经验对标签簇内的标签进行调整，再根据调整后的正文簇特征进行文本提取。本方法相对于其他新闻网页文本抽取方法而言，具有更好的通用性、高准确率、易用性，不用针对特定网页做任何特殊设定。

主权项

基于文本标签特征挖掘的网页正文提取方法，其特征在于，包括以下步骤：S1、进行网页标签预处理及Html标签修复；S2、Html标签特征选择及提取；S3、标签特征聚类挖掘及正文簇选择；S4、正文簇内标签经验性调整；S5、正文簇标签文本提取。