[发明专利]一种网页页面最大块提取的方法在审
| 申请号： | 201710694534.2 | 申请日： | 2017-08-15 |
| 公开（公告）号： | CN107463696A | 公开（公告）日： | 2017-12-12 |
| 发明（设计）人： | 苑聪虎;程国艮;李世奇 | 申请（专利权）人： | 中译语通科技（北京）有限公司 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30;G06F17/22 |
| 代理公司： | 北京万贝专利代理事务所(特殊普通合伙)11520 | 代理人： | 马红 |
| 地址： | 100040 *** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明属于网页设计领域，公开了一种网页页面最大块提取的方法，包括首先获取网页源码，针对网页源码中的标签非页面展示的文字部分全部用正则替换成空白行；然后计算出每一行文字的个数形成的函数；形成的函数分布为一行；然后以步长长度为3行之和的一个组合block块，形成新的文本分布更加密集的函数；然后根据密集的函数找出骤升，骤降的点作为网页主体文本提取出来生成文本，保存。本发明能够大幅度降低网页内容提取的人工成本和维护成本，同时具有较好的自适应能力，在网站内容结构改变时，抽取方法依然有效。 | ||
| 搜索关键词： | 一种 网页 页面 大块 提取 方法 | ||
【主权项】：
一种网页页面最大块提取的方法，其特征在于，所述网页页面最大块提取的方法，包括：首先获取网页源码，针对网页源码中的标签非页面展示的文字部分全部用正则替换成空白行；然后计算出每一行文字的个数形成的函数；形成的函数分布为一行；然后以步长长度为3行之和的一个组合block块，形成新的文本分布更加密集的函数；然后根据密集的函数找出骤升，骤降的点作为网页主体文本提取出来生成文本，保存。
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译语通科技（北京）有限公司，未经中译语通科技（北京）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/201710694534.2/，转载请声明来源钻瓜专利网。
- 上一篇：一种数据存储的方法及装置
- 下一篇：图像尺寸的调整方法、装置及计算机存储介质
