網頁正文的識別方法、裝置、電子設備及存儲介質

基本信息

申請?zhí)?/td> CN202110823007.3 申請日 -
公開（公告）號 CN113537091A 公開（公告）日 2021-10-22
申請公布號 CN113537091A 申請公布日 2021-10-22
分類號 G06K9/00（2006.01）I;G06K9/34（2006.01）I 分類 計算；推算；計數;
發(fā)明人 余良 申請（專利權）人 東莞盟大集團有限公司
代理機構 廣州三環(huán)專利商標代理有限公司 代理人 張艷美;劉光明
地址 523000廣東省東莞市南城區(qū)周溪隆溪路5號高盛科技園二期之高盛科技大廈第7層701-703室
法律狀態(tài) -

摘要

摘要 本申請公開了一種網頁正文的識別方法、裝置、電子設備及存儲介質，其中方法包括：獲取待分析網頁文本，待分析網頁文本包括字符行和空白行，單個空白行和多個連續(xù)排列的空白行視作間隔，間隔對應的空白行數量表示該間隔的長度；根據待分析網頁文本的所有間隔計算得到一參考間隔長度；利用參考間隔長度過濾待分析網頁文本的所有間隔，以保留長度大于參考間隔長度的間隔；窮舉搜索任意兩行之間對應的字符數和過濾后的所有間隔，并根據各搜索區(qū)域對應的字符數和過濾后的所有間隔確定網頁正文。本申請具有較高識別準確率，還能適用于多種類型的網頁。