一种文本提取方法及装置

摘要

本发明涉及一种文本提取方法，所述方法包括：步骤一、预处理给定的网页的超文本传输协议html源码，以获取所述源码中的文本的字符串序列，所述字符串序列包含N个文本行；步骤二、提取所述字符串序列中每个文本行的特征元素，所述特征元素包含M个属性；步骤三、依据第一关联规则，确定所述字符串序列中的潜在正文行组成的潜在正文块，所示第一关联规则由所述特征元素中的所述M个属性确定。通过本发明实施例能够提高网页中文本块提取的准确度，提高搜索引擎的搜索效率和准确度。

主权项

一种文本提取方法，其特征在于，所述方法包括：步骤一、预处理给定的网页的超文本传输协议html源码，以获取所述源码中的文本的字符串序列，所述字符串序列包含N个文本行；步骤二、提取所述字符串序列中每个文本行的特征元素，所述特征元素包含M个属性;步骤三、依据第一关联规则，确定所述字符串序列中的潜在正文行组成的潜在正文块，所示第一关联规则由所述特征元素中的所述M个属性确定。