预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共20页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局*CN102479181A*(12)发明专利申请(10)申请公布号CN102479181A(43)申请公布日2012.05.30(21)申请号201010553327.3(22)申请日2010.11.22(71)申请人中国电信股份有限公司地址100032北京市西城区金融大街31号(72)发明人吴晔刘勋华谢亨骏李辉遒郭玲曹琳万东詹国强刘舟李晓佳(74)专利代理机构中国国际贸易促进委员会专利商标事务所11038代理人孙宝海(51)Int.Cl.G06F17/30(2006.01)权利要求书权利要求书2页2页说明书说明书88页页附图附图99页(54)发明名称基于DIV位置的网页正文抽取方法和装置(57)摘要本发明公开了一种基于DIV位置的网页正文抽取方法和装置。其中,该方法包括利用HTML页面在DOM树中的DIV块信息重新构建DIV块;保留重新构建DIV块中的原子DIV块,原子DIV块为除其本身之外不包含任何其他DIV块的DIV块;对每个原子DIV块进行参数分析,根据分析结果选取出包含网页正文的DIV块;对包含网页正文的DIV块进行内容提取,以获取网页正文。本发明能够防止同一DIV块被重复分析,从而提高了分析效率。同时,根据每个原子DIV块的参数来选取包含网页正文的DIV块,以有效去除HTML网页中的噪音信息,在很大程度上提高了从HTML网页中获取正文信息的准确度。CN1024798ACN102479181A权利要求书1/2页1.一种基于DIV位置的网页正文抽取方法,其特征在于,包括:利用HTML页面在DOM树中的DIV块信息重新构建DIV块;保留所述重新构建DIV块中的原子DIV块,所述原子DIV块为除其本身之外不包含任何其他DIV块的DIV块;对每个原子DIV块进行参数分析,根据分析结果选取出包含网页正文的DIV块;对所述包含网页正文的DIV块进行内容提取,以获取网页正文。2.根据权利要求1所述的方法,其特征在于,在对所述包含网页正文的DIV块进行内容提取之前,所述方法还包括:如果原子DIV块与所述包含网页正文的DIV块间隔预定间隙且位于所述包含网页正文的DIV块的正上方或正下方,则确定与所述包含网页正文的DIV块间隔预定间隙且位于所述包含网页正文的DIV块的正上方或正下方的DIV块为包含网页正文的DIV块。3.根据权利要求1所述的方法,其特征在于,所述利用HTML页面在DOM树中的DIV块信息重新构建DIV块的步骤包括:从所述HTML页面代码的起始处开始直至所述HTML页面代码的结束处获取两个DIV块开始标签之间的非DIV代码段;从所述HTML页面代码的起始处开始直至所述HTML页面代码的结束处获取两个DIV块结束标签之间的非DIV代码段;为获取的非DIV代码段补齐DIV块开始标签和DIV块结束标签。4.根据权利要求1所述的方法,其特征在于,保留所述重新构建DIV块中的原子DIV块的步骤包括:在所述重新构建DIV块中计算出每个DIV块相对页面BODY标签的层次值;根据计算出的层次值判断每个DIV块是否为所述原子DIV块;去除所述重新构建DIV块中的非原子DIV块。5.根据权利要求1所述的方法,其特征在于,对每个原子DIV块进行参数分析,根据分析结果选取出包含网页正文的DIV块的步骤包括:从多个原子DIV块中查找出横向宽度大于预定宽度的原子DIV块;从查找出的横向宽度大于预定宽度的原子DIV块中找出面积最大的DIV块作为所述包含网页正文的DIV块。6.根据权利要求1所述的方法,其特征在于,在重新构建DIV块之前,所述方法还包括:过滤所述HTML页面中的Javascript代码和冗余标签。7.一种基于DIV位置的网页正文抽取装置,其特征在于,包括:DIV块重构模块,用于利用HTML页面在DOM树中的DIV块信息重新构建DIV块;原子DIV块保留模块,与所述DIV块重构模块相连,用于保留所述重新构建DIV块中的原子DIV块,所述原子DIV块为除其本身之外不包含任何其他DIV块的DIV块;网页正文DIV块选取模块,与所述原子DIV块保留模块相连,用于对每个原子DIV块进行参数分析,根据分析结果选取出包含网页正文的DIV块;网页正文提取模块,与所述网页正文DIV块选取模块相连,用于对所述包含网页正文的DIV块进行内容提取,以获取网页正文。2CN102479181A权利要求书2/2页8.根据权利要求7所述的装置,其特征在于,所述装置还包括:网页正文DIV块确定模块,分别与所述网页正文DIV块选取模块和所述网页正文提取模块相连,用于如果原子DIV块与所述包含网页正文的DIV块间隔预定间隙且位于所述包含网页正文的DIV块的正上方或正下方,则确定与所述包含网页正文的DIV块间隔预定间隙且位于所述包含网页正文的