【摘要】 本发明公开一种Web主题信息提取方法及系统。其中在Web主题信息提取方法中，通过根据指定Web页面的编码格式获得Web页面的分页链接格式，根据分页链接格式获得指定分页中的全部内容链接信息，其中内容链接信息包括内容链接地址；对于每个内容链接信息，获取内容链接地址指向的链接页面的Html源代码，分析链接页面的编码格式；根据链接页面的编码格式，提取链接页面的Web主题信息，并生成页面快照。由于可获得指定分页中全部内容链接信息相关联的Web主题信息，从而便于用户对Web信息的灵活定制，并有效避免访问时间的耗费和通信流量的损失。 【专利类型】发明授权 【申请人】浙江省公众信息产业有限公司 【申请人类型】企业 【申请人地址】310005 浙江省杭州市莫干山路118号 【申请人地区】中国 【申请人城市】杭州市 【申请人区县】拱墅区 【申请号】CN201210235115.X 【申请日】2012-07-09 【申请年份】2012 【公开公告号】CN102750392B 【公开公告日】2014-07-16 【公开公告年份】2014 【授权公告号】CN102750392B 【授权公告日】2014-07-16 【授权公告年份】2014.0 【IPC分类号】G06F17/30 【发明人】沈丽倩; 韦海强; 唐浩; 叶小卫; 卢会春; 徐益光 【主权项内容】一种Web主题信息提取方法，其特征在于，包括：获得指定Web页面的Html源代码，分析Web页面的编码格式；根据Web页面的编码格式获得Web页面的分页链接格式；根据分页链接格式获得指定分页中的全部内容链接信息，其中内容链接信息包括内容链接地址；对于每个内容链接信息，获取内容链接地址指向的链接页面的Html源代码，分析链接页面的编码格式；根据链接页面的编码格式，提取链接页面的Web主题信息，并生成页面快照；其中根据链接页面的编码格式，提取链接页面的Web主题信息的步骤包括：根据链接页面的编码格式，提取链接页面的标题字段中的链接页面标题，将链接页面标题作为链接页面的Web标题信息；提取链接页面的正文内容字段中的正文内容信息，将正文内容信息作为链接页面的Web正文内容信息；将Web标题信息和Web正文内容信息结合以生成Web主题信息；将正文内容信息作为链接页面的Web正文内容信息的步骤包括：将正文内容信息转换为节点树；利用正文节点判定公式对节点树中的节点进行遍历，将符合正文节点判定公式的节点作为参考节点；对各参考节点的区间覆盖特征进行比对，去除各参考节点重复覆盖的区间，并利用修正后区间的子树生成过滤内容信息，将过滤内容信息作为链接页面的Web正文内容信息；其中正文节点判定公式为(cn_char_num/char_num> α& & link_char_num/char_num< δ)& & cn_symbol_num/cn_char_num> β& & cn_char_num> γ，其中cn_char_num为节点内部文本的中文字数，char_num为节点内部文本的字符数，link_char_num为节点内部文本的链接字符数，cn_symbol_num为节点内部文本的中文标点数，α、β、γ、δ分别为中文字数占比阈值、中文标点占比阈值、中文字符数阈值、带链接文本占比阈值，& & 是与运算符号。 【当前权利人】浙江省公众信息产业有限公司 【当前专利权人地址】浙江省杭州市莫干山路118号 【专利权人类型】有限责任公司 【统一社会信用代码】913300001429433970 【引证次数】4.0 【他引次数】4.0 【家族引证次数】4.0 【家族被引证次数】4

未经允许不得转载：http://www.zhongzhencnc.com/1791464215.html