一种新闻关键信息的提取方法及系统

摘要

本发明公开了一种新闻关键信息的提取方法及系统，该系统首先通过预处理将网页转换成行号和文本的集合，然后根据字数最长的一句话出现在新闻正文的概率极高的特点，从正文中间开始向两端寻找正文的起点和终点提取新闻正文；根据最长公共子串算法提取标题，构造正则表达式并以行号辅助判断提取时间，根据来源的格式特点并辅以行号提取来源，最后可根据已获得新闻的标题、时间、来源和正文，将获得的内容以换行符为分隔符，以此为顺序写入本地文件中。具有较高的准确率，且不依赖特定的网页模板，具有较强的实用性和鲁棒性；同时，本发明方法复杂度低，提取的结果更为精确，消耗的资源更少。

主权项

一种新闻关键信息的提取方法，包括以下步骤：1)将新闻网页由原HTML网页转换成由行号和HTML标签组成的文本；2)从所述文本中获取标签对中的内容，逐行匹配获得新闻标题；3)采用常规的时间模板，并以对应的顺序为优先级，匹配每一行所包含的时间，将得出的时间timeString和所在行的行号linenumber加入候选集；对候选集进行过滤后按时间模板的优先级排序，选取排在最前面的时间为新闻的发布时间；4)以中文字符长度最长的一行文本为起点，分别向上和向下寻找正文的边界，以确定新闻的正文；5)根据已获得的新闻标题，发布时间和正文第一行的行号对新闻来源进行提取。