一种新闻网页的信息抽取方法及终端
实质审查的生效
摘要
本发明公开一种新闻网页的信息抽取方法及终端，获取新闻网页的HTML源码，并对所述HTML源码进行一次预处理，得到一次预处理后的HTML源码；根据预设XPATH规则对所述一次预处理后的HTML源码进行信息抽取，得到网页标题、发布标题、发布作者和发布时间；对所述一次预处理后的HTML源码进行二次预处理，得到二次预处理后的HTML源码；利用文本密度公式与符号密度公式对所述二次预处理后的HTML源码进行信息抽取，得到发布内容，实现了新闻网页信息的自动化抽取，且对HTML源码进行一次预处理能够过滤掉其中的无用信息，进而提高信息抽取效率，能够进一步提高发布内容抽取的精确度，从而提高了新闻网页中信息抽取的效率和准确率。
基本信息
专利标题 ：
一种新闻网页的信息抽取方法及终端
专利标题（英）：
暂无
公开（公告）号 ：
CN114329143A
申请号 ：
CN202111649035.4
公开（公告）日 ：
2022-04-12
申请日 ：
2021-12-30
授权号 ：
暂无
授权日 ：
暂无
发明人 ：
林彬陈强李火泉徐晓文
申请人 ：
厦门市美亚柏科信息股份有限公司
申请人地址 ：
福建省厦门市软件园二期观日路12号美亚柏科大厦
代理机构 ：
深圳市博锐专利事务所
代理人 ：
欧阳燕明
优先权 ：
CN202111649035.4
主分类号 ：
G06F16/951
IPC分类号 ：
G06F16/951
IPC结构图谱
G
G部——物理
G06
计算；推算或计数
G06F
电数字数据处理
G06F16/951
•••索引; 网络抓取技术
法律状态
2022-04-29 ：
实质审查的生效
IPC(主分类) : G06F 16/951
申请日 : 20211230
申请日 : 20211230
2022-04-12 ：
公开
注：本法律状态信息仅供参考，即时准确的法律状态信息须到国家知识产权局办理专利登记簿副本。
文件下载
暂无PDF文件可下载
