一种新闻网页内容的抽取方法

摘要

本发明新闻网页内容的抽取方法，该方法包括：先将页面解析成树结构，然后观察每个树节点，计算该节点及其子节点中纯文字数、长链接数和短链接数，并根据纯文字数占整个页面中的纯文字数的比例，长链接数和短链接数与纯文字数之间的比例，计算出哪个节点是最底层的包含正文的节点，经过关键词广告及版权声明处理器过滤，从而抽取出正文。

主权项

一种去除噪音信息的新闻网页内容抽取方法，其特征在于，该方法包括以下步骤：解析Html页面，将html转换成标准xml格式，并过滤掉非显示的标记；生成文档树结构（DOMTree）并遍历该计算页面包含的正文数，短链接数和长链接数；一层一层计算每个节点的权重，找到最权重最大的节点，该节点就是包含正文的节点。