[发明专利]一种基于网页特征的正文信息抽取方法在审
| 申请号： | 201710346591.1 | 申请日： | 2017-05-17 |
| 公开（公告）号： | CN107247742A | 公开（公告）日： | 2017-10-13 |
| 发明（设计）人： | 李晓林;刘志杰;谢婷婷;严柯;张懿 | 申请（专利权）人： | 武汉工程大学 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30 |
| 代理公司： | 宁波市鄞州甬致专利代理事务所(普通合伙)33228 | 代理人： | 潘李亮 |
| 地址： | 430000 湖北省武*** | 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： | 本发明涉及信息抽取技术领域，尤其涉及一种基于网页特征的正文信息抽取方法，它根据页面布局等特征将页面源码预处理行号和文本的集合，然后通过行文本阈值以及行间距阈值来提取页面正文部分，最后根据标点符号来优化提取结果。本方法对于不同类型的页面有较好的效果，具有一定的通用性。 | ||
| 搜索关键词： | 一种 基于 网页 特征 正文 信息 抽取 方法 | ||
【主权项】：
一种基于网页特征的正文信息抽取方法，其特征在于，它包括以下步骤：(1)、对网页进行预处理；(2)、将预处理后的网页的所有行标号并且统计每行的字符长度，形成一个初始文本；(3)、设置行文长度阈值L；(4)、然后遍历步骤（2）中得到的初始文本，以当前行的行文长度大于等于阈值L的行作为正文文本的起始行，以当前行的行文长度为0的行作为结尾行，所述起始行与结尾行之间的部位成为一个正文组；(5)、然后继续遍历初始文本中的剩余部分，并且得到初始文本中的所有正文组；(6)、设置行距阈值D；(7)、检测所有正文组之间的行距，若检测到存在行距大于阈值D，则删去这个行距下方的所有正文组，然后将其他正文组判定为网页的正文部分；若没有检测到存在行距大于阈值D，则判断所有的正文组均为网页的正文部分。
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武汉工程大学，未经武汉工程大学许可，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/201710346591.1/，转载请声明来源钻瓜专利网。
