[发明专利]一种网页核心内容提取方法

摘要

本发明提供一种网页核心内容的提取方法，包括以下步骤：1)根据网页代码中的html标签，将网页内容分割为多个段落；2)统计每个段落的字符长度、相邻段落的间隔距离和段落内部密集程度作为特征值。3)根据所述特征值计算每个段落的核心特征值。根据网页中各个段落的核心特征值分布情况，得到核心特征值最为集中的范围,核心特征值在此阈值范围内的段落即为网页的核心段落，从而得到网页的核心内容。与现有技术相比具有以下优点：不单纯依赖于html标签，充分考虑到文本段落本身特征、段落布局之间的特征，因而准确率高。实施并不依赖于特定类型的网页，具有通用性，能处理互联网上各类常见的网页。实施简单，计算量小，处理效率高。

主权项

1.一种网页核心内容的提取方法，包括以下步骤：1)根据网页代码中的html标签，将网页内容分割为多个段落；2)统计每个段落的字符长度、相邻段落的间隔距离和段落内部密集程度作为特征值；所述相邻段落的间隔距离包括的种类有一段落与其上一段落的距离及该段落与其下一段落的距离；所述相邻段落的间隔距离定义为段落之间的字符数+M，其中M的值根据一段落的前一段落的结束标签与该段落的开始标签确定；3)根据所述特征值计算每个段落的核心特征值；根据网页中各个段落的核心特征值分布情况，得到核心特征值最为集中的范围,核心特征值在此阈值范围内的段落即为网页的核心段落，从而得到网页的核心内容。