申请/专利权人：新华智云科技有限公司

申请日：2020-03-27

公开（公告）日：2020-07-17

公开（公告）号：CN111428444A

主分类号：G06F40/14(20200101)

分类号：G06F40/14(20200101);G06F40/146(20200101);G06F40/126(20200101);G06F16/951(20190101)

优先权：

专利状态码：有效-授权

法律状态：2023.10.20#授权;2020.08.11#实质审查的生效;2020.07.17#公开

摘要：本发明公开了一种网页信息自动抽取方法，其特征在于，包括以下步骤：对网页信息进行预处理；构建区块DOM树；定位正文区域；和对网页正文进行抽取；其中，构建区块DOM树包括以下步骤：对网页源码做容错补偿和DOM解析；在DOM基础上结合HTML区块布局元素构造区块DOM结构；结合展示特征统计DOM区块基础主题元素数量；和对DOM区块基础主题元素进行加权计算；其中，在定位正文区域时，根据加权计算获得的主题权值进行正文区域的定位。本发明的有益之处在于，兼顾了网页信息抽取效率和准确度，在并不显著降低传统网页抽取方法的基础上，考虑了网页的布局特征和HTML的部分视觉特征，有效提高了网页信息抽取的准确度。

主权项：1.一种网页信息自动抽取方法，其特征在于，包括以下步骤：对网页信息进行预处理；构建区块DOM树；定位正文区域；和对网页正文进行抽取；其中，构建区块DOM树包括以下步骤：对网页源码做容错补偿和DOM解析；在DOM基础上结合HTML区块布局元素构造区块DOM结构；结合展示特征统计DOM区块基础主题元素数量；和对DOM区块基础主题元素进行加权计算；其中，在定位正文区域时，根据加权计算获得的主题权值进行正文区域的定位。

全文数据：

权利要求：

百度查询： 新华智云科技有限公司 网页信息自动抽取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD