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。