基于HTML特征的文本内容提取方法

摘要

本发明涉及一种基于HTML特征的文本内容提取方法，该方法实现的步骤包括：1)使用标签把输入的HTML网页进行分解成多个模块；2)如果1)中分解的模块还能继续再分解而且没有出现Table或Div标签混杂的情况，那么再把它送到步骤1)继续分解；3)把输入的模块根据在布局中的不同位置给与不同位置得分；4)计算每个模块的链接文字长度和每个模块超链接内文本的长度；5)根据公式：综合得分＝位置得分×文字长度/链接文字长度得出每个模块得综合得分。与现有技术相比，提高了网页布局的解析效率；提高了文本聚类和文本分类、自动摘要的准确性。