龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
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！
申请/专利权人：鼎富智能科技有限公司
摘要：本申请提供了一种网页正文提取方法和装置，能根据网页的各种统计特征和训练的分类模型，适应不同网站的结构，提取网页的正文内容。方法包括：获取待处理网页的DOM树；根据每一含有文本的DOM块的统计特征，确定每一DOM块的文本正文可信度，DOM块为DOM树的子树；根据每一DOM块的文本正文可信度，筛选出复杂度大于预设阈值的候选DOM块；向分类模型输入候选DOM块的统计特征，得到每一候选DOM块的分类标签，分类标签用于标识候选DOM块对应的网页区域是否为正文区域；将用于标识候选DOM块对应的网页区域为正文区域的分类标签对应的候选DOM块确定为目标DOM块；在目标DOM块对应的网页区域中提取网页正文文本。
主权项：1.一种网页正文提取方法，其特征在于，包括：获取待处理网页的DOM树；根据每一含有文本的DOM块的统计特征，确定每一含有文本的DOM块的文本正文可信度，所述DOM块为所述DOM树的子树；根据每一含有文本的DOM块的文本正文可信度，筛选出文本正文可信度大于预设阈值的至少一个候选DOM块；向分类模型输入至少一个所述候选DOM块的统计特征，得到每一所述候选DOM块的分类标签，所述分类标签用于标识所述候选DOM块对应的网页区域是否为正文区域；将正文标签对应的候选DOM块确定为目标DOM块，所述正文标签是指用于标识所述候选DOM块对应的网页区域为正文区域的分类标签；在至少一个所述目标DOM块对应的网页区域中提取网页正文文本。
全文数据：
权利要求：
百度查询： 鼎富智能科技有限公司 一种网页正文提取方法和装置
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。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号