【摘要】 本发明提出一种新闻网页要素自动提取方法，包括以下步骤：(1)提取网页源码中网页标题与网页元信息，并得到有关网页内容的关键词词典；(2)对网页源码中的文字节点进行遍历，并按照新闻标题-发布时间-消息-新闻正文或者新闻标题-消息-发布时间-新闻正文的顺序，以及利用所述关键词词典检测并提取新闻标题、发布时间、消息和新闻正文。本发明不会对特定模板产生依赖，具有很强的通用性。 【专利类型】发明授权 【申请人】翁时锋 【申请人类型】个人 【申请人地址】315192 浙江省宁波市鄞州区学士路298号科技中心514室 【申请人地区】中国 【申请人城市】宁波市 【申请人区县】鄞州区 【申请号】CN201210232831.2 【申请日】2012-07-05 【申请年份】2012 【公开公告号】CN102750390B 【公开公告日】2014-07-23 【公开公告年份】2014 【授权公告号】CN102750390B 【授权公告日】2014-07-23 【授权公告年份】2014.0 【IPC分类号】G06F17/30 【发明人】张长水; 宋成儒; 翁时锋 【主权项内容】一种新闻网页要素自动提取方法，其特征在于，包括以下步骤：(1)提取网页源码中网页标题与网页元信息，并得到有关网页内容的关键词词典；(2)对网页源码中的文字节点进行遍历，并按照新闻标题-发布时间-消息-新闻正文或者新闻标题-消息-发布时间-新闻正文的顺序，以及利用所述关键词词典检测并提取新闻标题、发布时间、消息和新闻正文；其中，检测并提取新闻正文时进一步包括：(251)建立高命中集，保存对关键词词典命中数高的文字节点；(252)建立疑似集，保存对关键词词典命中数不足，或文本长度大于一个预设值的文字节点；(253)比较高命中集与疑似集的信息量；(254)若高命中集的信息量小于疑似集的信息量，则降低选入高命中集的命中数阈值，重新遍历网页源码中的文字节点，并重新建立高命中集；(255)采用聚类方式对高命中集进行提纯，取最长连续节点集合作为提纯集；(256)找出提纯集中的最小公共父节点；(257)遍历以最小公共父节点为根节点的文档树，并获取新闻正文。 【当前权利人】宁波中青华云新媒体科技有限公司 【当前专利权人地址】浙江省宁波市鄞州区泰康中路666号迪趣大厦8楼 【引证次数】2.0 【被引证次数】1 【他引次数】2.0 【被他引次数】1.0 【家族引证次数】2.0 【家族被引证次数】26

未经允许不得转载：http://www.zhongzhencnc.com/1791387898.html