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。