[发明专利]基于块文字占比的网页正文信息提取方法有效
| 申请号： | 201811377444.1 | 申请日： | 2018-11-19 |
| 公开（公告）号： | CN109543126B | 公开（公告）日： | 2022-04-29 |
| 发明（设计）人： | 刘婵;唐军 | 申请（专利权）人： | 四川长虹电器股份有限公司 |
| 主分类号： | G06F16/957 | 分类号： | G06F16/957 |
| 代理公司： | 成都虹桥专利事务所(普通合伙) 51124 | 代理人： | 吴中伟 |
| 地址： | 621000 四*** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明涉及信息提取技术，其公开了一种基于块文字占比的网页正文信息提取方法，解决传统技术中的提取方案容易受到HTML是否良构、网页正文和广告文字占比等的影响以及不能兼顾提取准确性和提取效率的问题。该方法包括以下步骤：步骤1、将网页文件读入字符串中，遍历字符串，对其中的字符进行大小写统一处理；步骤2、删除与主题信息无关的标签内容；步骤3、根据标签配对从字符串中取出head和body两部分；步骤4、在head部分中查找并提取网页正文标题字符串；步骤5、进行网页分块；步骤6、清洗无关的内容块；步骤7、计算每个内容块在全文中的占比，并排序；步骤8、进行标题匹配，确定正文块位置；步骤9、从正文块中提取网页正文。 | ||
| 搜索关键词： | 基于 文字 网页 正文 信息 提取 方法 | ||
【主权项】：
暂无信息
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于四川长虹电器股份有限公司，未经四川长虹电器股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811377444.1/，转载请声明来源钻瓜专利网。
