技术编号:6523076
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。本发明公开一种从网页中过滤掉广告、无关链接、图片等噪声信息,提取网页正文的方法。其特征在于利用同一网站栏目页面在结构、内容上的相似性,快速、准确地提取网页正文。该方法首先由用户指定一个示例页面,然后系统利用页面标签,做初步过滤,再基于编辑距离计算待处理页面和示例页面文本间的相似性,快速识别页面正文所处位置边界,从而从含噪声的页面文本中提取纯正的正文内容。本发明具有操作简单、易行,快速准确的特点。其技术方案可广泛用于网页文本信息采集、搜索、转载、挖掘分析等系...
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。