申请/专利权人：中新宽维传媒科技有限公司

申请日：2022-10-28

公开（公告）日：2022-11-25

公开（公告）号：CN115391711A

主分类号：G06F16/958

分类号：G06F16/958;G06F40/14;G06F40/211;G06F40/279

优先权：

专利状态码：有效-授权

法律状态：2023.03.24#授权;2022.12.13#实质审查的生效;2022.11.25#公开

摘要：本申请提供一种网页正文信息提取方法、装置、设备及介质，应用于信息抽取技术领域，其中网页正文信息提取方法包括：获取待处理网页对应的DOM树；根据DOM树中每个DOM节点对应的文本信息的文本复杂度，确定待处理网页中网页正文信息所在的网页正文区域；在网页正文区域中提取出网页正文信息。通过文本信息的文本复杂度对网页正文信息进行识别和提取处理，不仅可以准确、高效地从网页中识别提取出文本信息，而且无需针对特定网页结构的网站，具有较强的通用性，具有更好的鲁棒性和更高的准确度。

主权项：1.一种网页正文信息提取方法，其特征在于，包括：获取待处理网页对应的DOM树，其中，所述DOM树中的DOM节点包含有所述DOM节点对应的文本信息；根据所述DOM树中每个所述DOM节点对应的所述文本信息的文本复杂度，确定所述待处理网页中所述网页正文信息所在的网页正文区域；在所述网页正文区域中提取出所述网页正文信息；其中，所述根据所述DOM树中每个所述DOM节点对应的所述文本信息的文本复杂度，确定所述待处理网页中所述网页正文信息所在的网页正文区域，包括：对于所述DOM树中的每一个所述DOM节点，若所述DOM节点的叶子节点中包含文本内容，则将所述文本内容提取出来；对所述文本内容进行分词处理、词性标注处理及依存句法分析处理，得到处理结果；根据所述处理结果对应的连接词占比、句法树高度、分句数，得到所述DOM节点对应的所述文本复杂度；依次遍历所有的所述DOM节点，若所述DOM节点的所述文本复杂度大于复杂度阈值，则将对应的所述DOM节点加入到候选正文集合中；在所述候选正文集合中确定所述待处理网页中所述网页正文信息所在的所述网页正文区域。

全文数据：

权利要求：

百度查询： 中新宽维传媒科技有限公司 网页正文信息提取方法、装置、设备及介质

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