[发明专利]自动提取网页正文的方法及系统在审
| 申请号： | 202110081170.7 | 申请日： | 2021-01-21 |
| 公开（公告）号： | CN112765941A | 公开（公告）日： | 2021-05-07 |
| 发明（设计）人： | 涂钢 | 申请（专利权）人： | 语联网（武汉）信息技术有限公司 |
| 主分类号： | G06F40/14 | 分类号： | G06F40/14 |
| 代理公司： | 北京路浩知识产权代理有限公司 11002 | 代理人： | 程琛 |
| 地址： | 430206 湖北省武汉市东湖新技术开*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种自动提取网页正文的方法及系统，该方法包括：对目标网页的DOM节点进行筛选，获取备选DOM节点；若父节点的文字内容长度大于预设长度阈值，即将备选DOM节点、备选DOM节点的父节点、父节点的父节点放入待处理列表中，否则忽略此备选节点；根据待处理列表中各个节点的标签，获取各个节点的初始评分；根据预设评分模型，获取待处理列表各个节点的附加分数；据待处理列表优选DOM节点列表中所有优选DOM节点的最终分数，获取内容节点。本发明与传统方法相比，不需要使用人工对文档作出标记，可以提高文档正文的提取效率；另外，由于本方案是从前端提取的，不是从服务端提取的，从而可以正确提取动态渲染页面。 | ||
| 搜索关键词： | 自动 提取 网页 正文 方法 系统 | ||
【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语联网（武汉）信息技术有限公司，未经语联网（武汉）信息技术有限公司许可，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/202110081170.7/，转载请声明来源钻瓜专利网。
