[发明专利]一种改进的基于行块分布函数的网页正文提取方法在审
| 申请号： | 202110270058.8 | 申请日： | 2021-03-12 |
| 公开（公告）号： | CN115080891A | 公开（公告）日： | 2022-09-20 |
| 发明（设计）人： | 陈嘉锴;戴宪华 | 申请（专利权）人： | 中山大学 |
| 主分类号： | G06F16/958 | 分类号： | G06F16/958;G06F16/955 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 510275 广东*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提出了一种改进的基于行块分布函数的网页正文提取方法，该方法包括获取网页Html源码并进行预处理、提取网页title后找出正文区域、构建行块分布函数、分析行块分布函数得到提取结果。具体步骤如下：获取待提取网页url链接的Html并进行预处理，去除无关标签的同时获取网页title标签，对Html按行分割，根据每行与title的相关度和标点个数，找到正文存在区域；对正文区域内的每一行，合并周围K行形成行块，计算每个行块的长度，构建行块分布函数；根据行块分布函数值找出每块正文文本的起始和终止行号，合并Html对应行号区间内的文本，得到初步提取结果；最后对初步结果进行后处理，过滤可能存在的噪声，就得到最终正文提取结果。 | ||
| 搜索关键词： | 一种 改进 基于 分布 函数 网页 正文 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中山大学，未经中山大学许可，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/202110270058.8/，转载请声明来源钻瓜专利网。
