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。