申请/专利权人：四川大学

申请日：2020-03-03

公开（公告）日：2022-12-13

公开（公告）号：CN113343140B

主分类号：G06F16/958

分类号：G06F16/958;G06F16/81;G06F16/84

优先权：

专利状态码：有效-授权

法律状态：2022.12.13#授权;2021.09.21#实质审查的生效;2021.09.03#公开

摘要：本方法公布了一种基于neo4j图形数据库自动提取网页正文内容的方法。本方法包括：步骤S101，利用模拟浏览器请求技术从开源渠道获取网页的HTML源码作为训练集合；步骤S102，提取HTML标签并将HTML源码转换为树形结构；步骤S103，遍历树中的所有节点提取出表示节点之间关系的三元组；步骤S104，利用neo4j图形数据库将关系三元组转换成图；步骤S105，通过节点压缩和枝节压缩，去除图中的冗余节点；步骤S106，提取多维特征，通过机器学习训练正文节点分类模型；步骤S107，利用分类模型提取出网页中的正文节点，并由正文节点的子节点按顺序恢复出完整的网页正文内容。本发明提供了一种简单易用、准确高效地提取网页正文内容的实现方法。

主权项：1.一种基于neo4j图形数据库自动提取网页正文内容的方法，其特征在于：步骤S101，利用模拟浏览器请求技术从开源渠道获取网页的HTML源码,并对所述的HTML源码进行预处理获取HTML标签，将网页源码转换为树形结构；步骤S102，遍历所述的树形结构中的所有节点，根据各节点之间的连接关系以及子节点之间的顺序关系，提取出表示各节点之间关系的三元组；步骤S103，利用neo4j图形数据库将关系三元组结构转换成图结构；步骤S104，在所述图结构中，将与末节点直接相连的空节点，根据该空节点连接的末节点的数量分为两类，分别进行节点压缩和枝节压缩；步骤S105，对压缩后的图提取节点数量特征和平均文本长度特征，生成特征向量；步骤S106，使用所述特征向量进行机器学习，训练出正文节点分类模型，利用该分类模型对网页中的节点进行分类，从而自动提取出网页中的正文节点；步骤S107，根据所提取出的正文节点，按照其子节点的顺序依次恢复子节点中的内容，提取出完整的网页正文内容。

全文数据：

权利要求：

百度查询： 四川大学 一种基于neo4j图形数据库自动提取网页正文内容的方法

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