申请/专利权人：奇安信科技集团股份有限公司;奇安信网神信息技术(北京)股份有限公司

申请日：2019-09-30

公开（公告）日：2023-10-31

公开（公告）号：CN110795933B

主分类号：G06F40/279

分类号：G06F40/279;G06F40/163;G06F40/131

优先权：

专利状态码：有效-授权

法律状态：2023.10.31#授权;2020.03.10#实质审查的生效;2020.02.14#公开

摘要：本发明实施例公开了一种网页正文的识别处理方法及装置，方法包括：获取待识别网页的网页源码，清除所述网页源码中所有的网页标签，得到包括空白行的网页文本；根据空白行对所述网页文本进行分块，得到若干个文字区块，各文字区块之间为空白行；统计各文字区块的文字数量，根据各文字区块的文字数量确定网页正文的边界，并根据网页正文的边界识别所述待识别网页中的网页正文。本发明实施例通过统计各文字区块的文字数量来确定网页正文的边界，并根据边界识别待识别网页中的网页正文，适应于所有类型的网页正文提取，提取过程简单，大大提高了网页正文提取的准确性和泛化性。

主权项：1.一种网页正文的识别处理方法，其特征在于，包括：获取待识别网页的网页源码，清除所述网页源码中所有的网页标签，得到包括空白行的网页文本；根据空白行对所述网页文本进行分块，得到若干个文字区块，各文字区块之间为空白行；统计各文字区块的文字数量，根据各文字区块的文字数量确定网页正文的边界，并根据网页正文的边界识别所述待识别网页中的网页正文；所述根据各文字区块的文字数量确定网页正文的边界，具体包括：根据当前文字区块的文字数量与上一个文字区块的文字数量，计算得到当前文字区块与上一个文字区块的文字数量差值；若所述文字数量差值大于阈值，则确定当前文字区块的起始位置或上一个文字区块的结束位置为网页正文的边界；通过判断所述文字数量差值的正负，确定所述网页正文的开始边界和结束边界。

全文数据：

权利要求：

百度查询： 奇安信科技集团股份有限公司;奇安信网神信息技术(北京)股份有限公司 一种网页正文的识别处理方法及装置

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