基于标签路径和文本标点比特征融合的网页正文提取方法

摘要

本发明公开了一种基于标签路径和文本标点比特征融合的网页正文提取方法，主要通过构造标签路径的文本标点比和特征融合方法，提出一种新的特征值，从而将正文从网页中提取出来。本发明的特色在于定义了文本标点比特征对衡量标签路径的平均句子长度，同时结合了标签路径的位置及其内部复杂度，给出了一个较全面的特征值去判断正文内容。使用本发明可以不需要构造提取模版较精确地提取网页正文，同时适用范围广。