提取网页正文内容的方法和系统
基本信息
| 申请号 | CN201210570193.5 | 申请日 | - |
| 公开（公告）号 | CN103049536A | 公开（公告）日 | 2013-04-17 |
| 申请公布号 | CN103049536A | 申请公布日 | 2013-04-17 |
| 分类号 | G06F17/30(2006.01)I | 分类 | 计算；推算；计数; |
| 发明人 | 王海山 | 申请（专利权）人 | 广州时代数据服务有限公司 |
| 代理机构 | 广州华进联合专利商标代理有限公司 | 代理人 | 王茹 |
| 地址 | 510630 广东省广州市天河区中山大道西路88号之1001房 | ||
| 法律状态 | - | ||
摘要
| 摘要 | 本发明提供一种提取网页正文内容的方法和系统，其方法包括步骤：获取html源文件，并将该html源文件转化为字符流；剔除所述字符流中的无效标签；将剩余的标签转化为标签树，并将该标签树转换成标签队列；对所述队列标签中的各标签进行处理获得有效标签集；将所述有效标签集转化成文本，返回为正文。本发明具有很高的通用性，覆盖面广，即使网页结果复杂，含有多种干扰信息，也能有效的提取网页的正文部分，针对性强，同时定制性开发少，可维护性强。 |
