发明名称 |
一种网页正文抽取的方法 |
摘要 |
本发明提供了一种网页正文抽取的方法,该方法包括以下步骤:I、网页预处理;II、寻找所述网页中的最长串;III、创建DOM树,根据DOM查找所述最长串对应的节点;IV、根据所述最长串对应的节点的标签确定起始节点和结束节点;V、对所述起始节点和结束节点进行检查过滤;VI、输出过滤后的起始节点和结束节点中的文本。该方法针对模板或者分块技术在新闻内容抽取应用上的不足,基于最长串寻找种子段落,提高网页正文抽取的工作效率和准确率。 |
申请公布号 |
CN103530429B |
申请公布日期 |
2017.01.18 |
申请号 |
CN201310538575.4 |
申请日期 |
2013.11.04 |
申请人 |
北京中搜网络技术股份有限公司 |
发明人 |
涂波 |
分类号 |
G06F17/30(2006.01)I |
主分类号 |
G06F17/30(2006.01)I |
代理机构 |
北京安博达知识产权代理有限公司 11271 |
代理人 |
徐国文 |
主权项 |
一种网页正文抽取的方法,其特征在于:所述方法包括以下步骤:I、网页预处理;II、寻找所述网页中的最长串;III、创建DOM树,根据DOM查找所述最长串对应的节点;IV、根据所述最长串对应的节点的标签确定起始节点和结束节点;V、对所述起始节点和结束节点进行检查过滤;VI、输出过滤后的起始节点和结束节点中的文本;所述步骤II包括以下步骤:1)、在所述网页正文中以行为单位寻找所述网页中的最长串;2)、获得并记录最长串长度,对所获得的最长串进一步处理,当最长串处于特定标签中时增加或减少获得的长度;所述步骤III中对所述网页创建DOM树,根据DOM树获得所有节点的信息,并将所述节点存储进数组,在包含节点的所述数组中查找包含对应最长串的节点;所述节点的信息包括文字数、汉字数、链接数。 |
地址 |
100191 北京市海淀区学院路51号首亨科技大厦0902室 |