技术编号:12748025
提示:您尚未登录,请点 登 陆 后下载,如果您还没有账户请点 注 册 ,登陆完成后,请刷新本页查看技术详细信息。本发明涉及网页解析技术领域,具体而言,涉及一种网页解析中网页正文重复内容的识别方法及装置。背景技术页面解析,例如,Html页面解析,是互联网数据挖掘技术中的重要环节。通过Html页面解析在网页页面中准确地抽取出各种特征,是后续数据挖掘中其它任务的前提。其中,网页正文是网页页面特征中重要的特征。由于网页格式千变万化,导致抽取网页正文非常困难。通常,相关技术是通过合并网页中文本段落来抽取网页正文,然而带有评论的网站具有一个明显的特点,即每一条评论内容中都带有指向正文的节点,如果通过上述网页正文的抽取...
注意:该技术已申请专利,请尊重研发人员的辛勤研发付出,在未取得专利权人授权前,仅供技术研究参考不得用于商业用途。
该专利适合技术人员进行技术研发参考以及查看自身技术是否侵权,增加技术思路,做技术知识储备,不适合论文引用。
请注意,此类技术没有源代码,用于学习研究技术思路。