“正文抽取”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果108980个，建议您升级VIP下载更多相关专利

[发明专利]网页正文抽取方法及装置-CN201510845613.X有效
发明人：胡又欢 -专利权人：北京搜狗科技发展有限公司
申请日： 2015-11-26 - 公布日： 2020-11-24 - 主分类号： G06F16/9535 文献下载
摘要：本发明公开了一种网页正文抽取方法及装置，该方法包括生成包括正文节点信息和杂质节点信息的正文抽取模板，其中，不同域名的网页对应不同的正文抽取模板；获取与目标网页匹配的正文抽取模板；根据所述获取的正文抽取模板中的正文节点信息获取所述目标网页的正文节点，在所述获取的正文节点中剔除所述杂质节点信息对应的杂质节点。由于正文抽取模板中包括有正文节点信息和杂质节点信息，在抽取正文信息时可根据杂质节点信息剔除杂质节点，因此，可得到正确率较高的网页正文信息。
网页正文抽取方法装置

[发明专利]一种抽取正文的方法及装置-CN201610066341.8有效
发明人：毛立花;孙海峰;王传超 -专利权人：浪潮软件集团有限公司
申请日： 2016-01-29 - 公布日： 2019-02-15 - 主分类号： G06F16/957 文献下载
摘要：本发明实施例提供了一种抽取正文的方法及装置，该方法，包括：获取待抽取网页中的层叠样式表CSS内容；根据所述CSS内容，确定所述待抽取网页中的节点的宽度，根据所述待抽取网页中的节点的宽度，确定包含正文内容的正文节点；根据所述正文节点，对所述待抽取网页进行清理，抽取所述待抽取网页的正文。本发明实施例提供了一种抽取正文的方法及装置，能够更加简单的实现正文抽取。
一种抽取正文方法装置

[发明专利]一种网页正文抽取方法、装置、设备及存储介质-CN202110707708.0在审
发明人：刘旭东;张尼;薛继东;苏马婧;宋栋;刘红 -专利权人：中国电子信息产业集团有限公司第六研究所
申请日： 2021-06-24 - 公布日： 2021-09-10 - 主分类号： G06F16/957 文献下载
摘要：本申请提供了一种网页正文抽取方法、装置、设备及存储介质，该方法包括：从网页内容中抽取出网页正文段落，将抽取的网页正文段落添加至文本文件中，计算网页内容中每个起始标签和结束标签之间标点符号数量与包含字符数量的最小商值，得到的最小商值作为网页正文判定阈值，根据抽取模板中起始文本信息和结束文本信息，确定标签滑动窗口，根据标签滑动窗口遍历网页内容中标点符号数量与包含字符数量，抽取符合网页正文判定阈值的网页正文字段。本申请的有益效果在于：能够根据网页正文判定阈值从网页内容中精准的抽取出网页正文段落，提高了抽取精度、避免了抽取网页正文段落的冗余问题，以及通过滑动窗口算法，有效提高了抽取效率。
一种网页正文抽取方法装置设备存储介质

[发明专利]一种基于多模态机器学习的新闻网页正文抽取系统及方法-CN202110753762.9在审
发明人：王磊;李欣杰 -专利权人：中译语通科技股份有限公司
申请日： 2021-07-02 - 公布日： 2021-10-29 - 主分类号： G06F16/951 文献下载
摘要：本发明属于新闻网页处理技术领域，公开了一种基于多模态机器学习的新闻网页正文抽取系统及方法，基于多模态机器学习的新闻网页正文抽取方法包括：进行不同类型特征的提取；多模态融合，进行特征的联合表示；进行网页正文分类模型训练本发明使用多模态机器学习技术，融合网页的视觉特征、内容特征、标签分布特征等，通过特征之间的互补，消除歧义和不确定性，进行新闻类正文抽取，得到更加准确的网页正文判断结果，除了提高文本抽取准确率外，还可以准确抽取图片、视频、pdf文档，并能够大幅降低人工编辑模板的成本，通过对国际主流的1000个新闻网站进行正文抽取测试，对比目前方法，正文抽取准确率提高5％‑10％。
一种基于多模态机器学习新闻网页正文抽取系统方法

[发明专利]一种对网页内容抽取的方法及装置-CN201310101245.9在审
发明人：唐廷勇;刘玉磊;李未;王曦;胡博;张凯;贺柏森;黄英;杨惠姣;谢郑凯;王智培;冯诚;刘斯睿 -专利权人：腾讯科技（深圳）有限公司
申请日： 2013-03-27 - 公布日： 2014-10-01 - 主分类号： G06F17/27 文献下载
摘要：本发明公开一种对网页内容抽取的方法及装置，涉及互联网技术领域，使得智能识别是否可以抽取网页的正文内容，正确抽取网页的正文内容进行显示，可以提高用户的浏览体验。本发明通过当接收到打开第一网页的请求指令时，判断对应所述第一网页的源代码中是否具有正文内容标签；当源代码中具有所述正文内容标签时，通过阅读器抽取所述正文内容标签内的所述第一网页的正文内容；当源代码中不具有所述正文内容标签时，识别所述源代码中表示所述第一网页的正文内容的起始位置和结束位置；在所述起始位置之后和所述结束位置之前分别添加所述正文内容标签，并抽取所述正文内容标签内的所述第一网页的正文内容。本发明适合应用于进行网页内容抽取时采用。
一种网页内容抽取方法装置

[发明专利]一种网页正文提取方法、装置、计算机装置及计算机可读存储介质-CN201810641914.4有效
发明人：李丹;吴潇;李靖 -专利权人：湖南星汉数智科技有限公司
申请日： 2018-06-21 - 公布日： 2021-01-08 - 主分类号： G06F16/957 文献下载
摘要：本发明适用于互联网技术领域，提供了一种网页正文提取方法、装置、计算机装置及计算机可读存储介质，该网页正文提取方法包括：构建DOM树，根据DOM树中的h标签的文本与title标签的文本的相似度，确定网页标题位置；对所述DOM树进行过滤，获取行块列表；通过所述行块列表中行块与所述网页标题位置，确定网页正文区域；根据所述网页正文区域，确定网页正文的开始位置和结束位置，并提取所述开始位置与所述结束位置之间的文本为网页正文本发明实施例提供的网页正文抽取方法，提高了正文抽取的准确度以及正文抽取的效率，正文抽取方法适用范围更广。
一种网页正文提取方法装置计算机可读存储介质

[发明专利]网页正文抽取方法及装置-CN201510527675.6有效
发明人：朱国库;蒋文保 -专利权人：北京信息科技大学
申请日： 2015-08-25 - 公布日： 2018-07-06 - 主分类号： G06F17/30 文献下载
摘要：本发明提供了一种网页正文抽取方法及系统，其中方法包括：提取网页HTML源码中的title标签中的文本，以及h标签中的文本；根据title标签中的文本以及h标签中的文本的文本相似度确定正文标题；提取网页HTML源码中的body标签中的标签源码；对body标签中的标签源码进行第一抽取处理，获取第一网页正文；确定行块分布函数，并根据行块分布函数抽取文本块；对文本块进行第二抽取处理，获取第二网页正文。通过本发明采用的网页正文抽取方法及装置，其通用性更好，且可以快速并准确的进行抽取，保证了网页正文抽取的顺利进行。
标签网页正文抽取抽取文本分布函数网页正文文本块行块源码网页文本相似度保证

[发明专利]一种中文新闻网页正文的自动抽取方法及装置-CN200710304146.5有效
发明人：和斌;康凯;吴於茜;杨建武 -专利权人：北京大学;北大方正集团有限公司;北京方正电子政务技术有限公司
申请日： 2007-12-25 - 公布日： 2009-07-01 - 主分类号： G06F17/30 文献下载
摘要：本发明公开了一种中文新闻网页正文的自动抽取方法，该方法包括：根据网页生成得到页面数据列表，并对得到的页面数据列表进行细化筛选，然后将经过细化筛选得到的纯文本列表中的每项按照针对新闻正文的特征参数赋权值，计算每项纯文本数据的最终权重，并比较最终权重大小得出新闻正文。本发明同时还公开了一种中文新闻网页正文的自动抽取装置，该装置包括：页面数据列表抽取模块、细化筛选模块、赋权值模块及新闻正文抽取模块，整个装置用于完成中文新闻正文抽取功能。利用本发明，既能简化训练过程的复杂度，也能同时提高对中文新闻网页正文抽取的准确性，且实现简单、方便。
一种中文新闻网页正文自动抽取方法装置

[发明专利]一种从单记录网页中抽取规律噪音的方法-CN201210592795.0有效
发明人：程学旗;李海燕;郭岩;万圣贤;郭少华;刘悦;余智华 -专利权人：中国科学院计算技术研究所
申请日： 2012-12-31 - 公布日： 2013-04-24 - 主分类号： G06F17/30 文献下载
摘要：本发明提供一种从单记录网页中抽取规律噪音的方法，所述方法包括：首先将多个单记录网页转化为DOM树，并且将所述DOM树按照结构进行分类；然后，将同一类别的DOM树进行对齐合并得到站点板块风格树；在所述站点版块风格树中定位网页正文标题节点的近似位置和网页正文主体节点的近似位置，最后根据所述网页正文标题节点和所述网页正文主体节点的近似位置，抽取正文前、正文中和正文后的规律噪音。所述方法减少了建站点版块风格树所需的空间资源、降低了可能出现的漏抽取的情况，加快了抽取速度；此外，本发明的抽取结果具有较高的准确性，取得了较好的效果，并且可靠性高。
一种记录网页抽取规律噪音方法

[发明专利]网页处理方法和终端-CN201310204185.3有效
发明人：宋飞 -专利权人：腾讯科技（深圳）有限公司
申请日： 2013-05-28 - 公布日： 2017-08-25 - 主分类号： G06F17/30 文献下载
摘要：本发明提供了一种网页处理方法，所述方法包括获取与加载的网页的URL地址匹配的抽取语句，所述匹配的抽取语句中包含所述加载的网页的标题内容块和正文内容块的路径描述；根据所述标题内容块和正文内容块的路径描述对所述加载的网页进行标题和正文内容的抽取；显示所述抽取的标题和正文内容。采用该方法，使得页面只显示标题和正文内容，节省了屏幕空间。此外，还提供了一种用于执行网页处理方法的终端。
网页处理方法终端

[发明专利]网页正文抽取方法及系统-CN202211252935.X在审
发明人：况鹏;顾惠波;岳晓兰 -专利权人：浙江甲骨文超级码科技股份有限公司
申请日： 2022-10-13 - 公布日： 2023-03-14 - 主分类号： G06F16/951 文献下载
摘要：本申请涉及一种网页正文抽取方法及系统，其中，所述网页正文抽取方法通过遍历待抽取网页中的所有节点，滤除噪声节点，可以快速去除与文本无关的噪声内容，通过依据每一个非噪声节点中的文本内容计算得出多个特征指标，并将其用于训练正文节点验证模型，使得正文节点验证模型具有筛选出正文节点匹配分数最高的非噪声节点的功能，这样不需要人为制定网页正文抽取规则，从而可以轻松适应海量网页的大规模正文抽提取的应用场景。而且，正文节点验证模型可以解决通用性和范用性的问题，因此也可以适用于绝大多数的非规范化网页中。
网页正文抽取方法系统

[发明专利]基于DOM树的正文抽取方法、装置、设备及存储介质-CN201910680827.4有效
发明人：李子茂;江如茜;莫海芳;帖军;毛腾跃;夏梦;刘恋冬 -专利权人：中南民族大学
申请日： 2019-07-25 - 公布日： 2021-11-02 - 主分类号： G06F16/901 文献下载
摘要：本发明公开了一种基于DOM树的正文抽取方法、装置、设备及存储介质，通过获取待抽取网页中正文信息块对应的DOM树的各节点路径，根据各节点路径确定中心文本区间；根据预设编号集获取所述中心文本区间内的缺失编号，将所述缺失编号添加至所述中心文本区间的中心文本中，获得连续中心文本区间；遍历所述连续中心文本区间的节点路径下的各叶子节点，抽取各叶子节点的文本信息；将各文本信息进行连接组合，获得所述待抽取网页的正文文本信息，提高了网页正文信息抽取的准确率，提高了网页正文信息抽取的速度和效率，节省了信息抽取的时间，提升了用户体验。
基于 dom 正文抽取方法装置设备存储介质

[发明专利]一种网页正文提取方法及装置-CN201510897907.7有效
发明人：胡又欢;卞维杰 -专利权人：北京搜狗科技发展有限公司
申请日： 2015-12-08 - 公布日： 2020-11-10 - 主分类号： G06F16/332 文献下载
摘要：本发明公开了一种网页正文提取方法及装置，其通过对至少两个目标网页的正文抽取信息进行比较，并将所述至少两个目标网页的正文抽取信息中比较结果为相同的节点信息确认为网页杂质，所述至少两个目标网页属于同一类型网页；对所述同一类型网页按照所述网页杂质进行杂质信息过滤得到所述网页的正文信息。由于可确定同一类型目标网页的正文抽取信息中的杂质信息，进而根据所述杂质信息，对该同一类型的目标网页的正文抽取信息进行过滤最终可得到更精确的正文信息。
一种网页正文提取方法装置

[发明专利]面向新闻网页的正文抽取方法及系统、信息数据处理终端-CN201810501222.X在审
发明人：詹咏松;程国艮 -专利权人：中译语通科技股份有限公司
申请日： 2018-05-23 - 公布日： 2018-12-07 - 主分类号： G06F17/30 文献下载
摘要：本发明属于计算机软件技术领域，公开了一种面向新闻网页的正文抽取方法及系统、信息数据处理终端，对新闻正文抽取首先基于每个新闻都有对应的时间，对时间进行定位，确定正文位置，进行切块。对所定位的正文进行判断，去除噪音信息，得到准确的正文信息。本发明基于对新闻网页结构特点的分析，依据新闻的时间信息准确定位新闻正文信息在整个网页中的大概位置，依据特殊标签或文本聚集密度确切定位文本位置，能够准确快速获取新闻的正文信息，不含噪音信息。相对于过去的新闻正文抽取的计算方法，在本发明中利用线性计算的方法来提取新闻正文，计算简单而且能够快速提取正文，有效节约现有很多的服务器资源。
正文抽取新闻网页正文信息信息数据处理噪音信息终端计算机软件技术服务器资源大概位置定位文本快速获取快速提取时间信息线性计算准确定位过去的切块去除标签网页文本节约分析

[发明专利]一种基于模糊逻辑的网页页面正文抽取方法及系统-CN201610189222.1有效
发明人：赵维平;钟新斌;张勇;曹震;王鑫毅 -专利权人：中国农业银行股份有限公司
申请日： 2016-03-29 - 公布日： 2018-12-14 - 主分类号： G06F17/30 文献下载
摘要：本发明公开了一种基于模糊逻辑的网页页面正文抽取方法，包括：读取网页页面的内容；统计网页页面中的行块字符数；统计网页页面中的行块超链接数；基于模糊逻辑推理进行参数模糊化和规则推理，并通过解模糊算法输出行块正文概率值；判断所述行块正文概率值是否大于预设正文概率阈值，若是，则：输出行块正文概率值大于预设正文概率阈值所在的行块的内容。本发明无需针对特定的网页页面配置模板等监督规则，即可以准确识别网页页面中的正文内容，实现高效、通用的网页页面正文抽取。本发明还公开了一种基于模糊逻辑的网页页面正文抽取系统。
一种基于模糊逻辑网页页面正文抽取方法系统

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条