专利详情

专利名称	一种网页的正文抽取方法
申请号	CN200810223791.9	专利类型	发明专利
公开（公告）号	CN101727461A	公开（授权）日	2010.06.09
申请（专利权）人	中国科学院计算技术研究所	发明（设计）人	郭岩;丁国栋;张刚
主分类号	G06F17/30(2006.01)I	IPC主分类号	G06F17/30(2006.01)I
专利有效期	一种网页的正文抽取方法至一种网页的正文抽取方法	法律状态	授权
说明书摘要	本发明提供一种网页的正文抽取方法，包括下列步骤：1)将为所述网页建立的DOM树中的所有特征节点进行合并段落操作；2)从承载最长段落的节点集合中任选一个节点，从所选节点回溯至所述DOM树的根节点，计算各个节点的父节点及其子树与该节点及其子树承载的文本的标点符号的数量的差值，顺序构成增量序列；3)在所述增量序列中查找第一个0值的增量，或第一个小于其前面相邻增量且小于或等于其后面相邻增量的增量；4)如果查找到所述增量，则确定该增量的对应节点及其子树所承载的文本是网页的正文；5)如果未查找到所述增量，则确定根节点及其子树所承载的文本是网页的正文。本发明抽取精度高，实现速度快，维护代价低且适应性好。