申请/专利权人：成都数之联科技股份有限公司

申请日：2022-09-15

公开（公告）日：2022-10-18

公开（公告）号：CN115203604A

主分类号：G06F16/957

分类号：G06F16/957;H04L67/06

优先权：

专利状态码：在审-实质审查的生效

法律状态：2022.11.04#实质审查的生效;2022.10.18#公开

摘要：本发明公开了一种网页正文提取方法及系统及装置及介质，涉及网页后端技术领域，本发明提供的一种网页正文提取方法及系统及装置及介质，通过下载网页信息，获得网页源代码，对上述网页源代码进行预处理，获得网页主体区域对应的第二网页源代码；首先将所述第二网页源代码转换为对应的网页结构树，然后分别计算所述网页结构树中若干结点的属性值，根据计算结果即可找到网页正文所在的位置，实现自动化对于不同的网页进行正文提取的任务。

主权项：1.一种网页正文提取方法，其特征在于，所述网页正文提取方法包括以下步骤：步骤1：下载网页信息，获得网页源代码；步骤2：根据所述网页源代码对网页进行预处理，获得第二网页源代码，提取所述第二网页源代码中若干标签块，获得所述若干标签块对应的网页结构树；步骤3：分别计算所述网页结构树中各个结点的第一属性值，获得目标结点，其中，所述第一属性值最大的结点为目标结点；步骤4：获得所述目标结点对应的标签块并提取对应的标签文本内容，获得网页正文。

全文数据：

权利要求：

百度查询： 成都数之联科技股份有限公司 一种网页正文提取方法及系统及装置及介质

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