买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜山石网科通信技术股份有限公司申请的专利文本提取方法、装置、电子设备及存储介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119202359B 。

龙图腾网通过国家知识产权局官网在2025-04-04发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411729883.X，技术领域涉及：G06F16/953；该发明授权文本提取方法、装置、电子设备及存储介质是由陈继智设计研发完成，并于2024-11-28向国家知识产权局提交的专利申请。

本文本提取方法、装置、电子设备及存储介质在说明书摘要公布了：本申请公开了一种文本提取方法、装置、电子设备及存储介质，涉及数据采集领域。其中，该方法包括：依据网页源码中的网页标签确定至少一个目标DOM树，其中，每个目标DOM树中的树节点均为目标树节点，目标树节点所对应的文本块为非空文本，并且目标树节点的至少一层的上级节点所对应的网页标签为目标网页标签，目标网页标签包括用于圈定网页正文的目标要素；根据每个目标树节点的文本权重和结构权重，从所有的目标树节点中筛选得到正文树节点；从网页中提取正文树节点对应的文本块。本申请解决了现有技术中基于统计的方式提取网页的文本内容，导致的网页正文内容提取不准确的技术问题。

本发明授权文本提取方法、装置、电子设备及存储介质在权利要求书中公布了：1.一种文本提取方法，其特征在于，包括：依据网页源码中的网页标签确定至少一个目标DOM树，其中，每个所述目标DOM树中的树节点均为目标树节点，所述目标树节点所对应的文本块为非空文本，并且所述目标树节点的至少一层的上级节点所对应的网页标签为目标网页标签，所述目标网页标签包括用于圈定网页正文的目标要素；根据每个所述目标树节点的文本权重和结构权重，从所有的所述目标树节点中筛选得到正文树节点，其中，所述文本权重表征所述目标树节点对应的文本块在网页的语义表达中的重要程度，所述结构权重表征所述目标树节点对应的文本块在所述网页的文本布局结构上的重要程度，其中，所述目标树节点的结构权重与所述目标树节点在所述目标DOM树中的深度以及所述目标树节点对应的文本字数有关，所述目标树节点的结构权重与该目标树节点在所述目标DOM树中的深度呈负相关，与该目标树节点对应文本字数呈正相关；从所述网页中提取所述正文树节点对应的文本块；其中，依据网页源码中的网页标签确定至少一个目标DOM树，包括：过滤所述网页源码中的非关键网页标签，并删除初始DOM树中与所述非关键网页标签相对应的树节点，得到第一DOM树；其中，所述非关键网页标签对应的文本块属于所述网页正文的概率低于预设概率；检测所述第一DOM树中属于目标树节点的树节点，并根据检测结果确定所述目标DOM树。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山石网科通信技术股份有限公司，其通讯地址为：215163 江苏省苏州市高新区景润路181号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。