一种网页分割方法

摘要

本发明提供一种网页分割方法，其特征在于，包括：步骤1)获取待分割网页的DOM树；步骤2)遍历所述DOM树，将其中每个只包含1个基本多行结点的结点作为一个基本分块，将每两个只包含1个基本多行结点的结点之间的零散叶结点分别合成一个基本分块；其中，当一个基本多行结点的父结点被作为一个基本分块时，该基本多行结点不再作为一个基本分块；步骤3)在所述基本分块中找出主题块，将主题块与其后面邻接的若干个非主题块合并。本发明能够在分块的同时很好地保持原有的网页结构，避免打散属于同一主题或分类的链接，避免主题或分类标签与其对应的链接分离。本发明的执行效率高，容易实现。

主权项

一种网页分割方法，其特征在于，包括下列步骤：步骤1）获取待分割网页的DOM树；步骤2）遍历所述DOM树，将其中每个只包含1个基本多行结点的结点作为一个基本分块，将每两个只包含1个基本多行结点的结点之间的零散叶结点分别合成一个基本分块；其中，当一个基本多行结点的父结点被作为一个基本分块时，该基本多行结点不再作为一个基本分块；所述基本多行结点是DOM树中满足多行性质的最小结点；一个结点具有多行性质是指：该结点包含至少两个含有文本的子结点且这两个子结点所对应的网页显示区域的纵坐标不同。