[發(fā)明專利]基于DOM節(jié)點文本密度的網(wǎng)頁核心塊確定方法無效

申請?zhí)枺?/td>	201110096132.5	申請日：	2011-04-18
公開（公告）號：	CN102184189A	公開（公告）日：	2011-09-14
發(fā)明（設計）人：	孫飛;宋丹丹;廖樂健;王曉華	申請（專利權）人：	北京理工大學
主分類號：	G06F17/30	分類號：	G06F17/30
代理公司：	暫無信息	代理人：	暫無信息
地址：	100081 北京市***	國省代碼：	北京;11
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	基于 dom 節(jié)點文本密度網(wǎng)頁核心確定方法
鉆瓜網(wǎng) 技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【權利要求書】：

1.一種基于DOM節(jié)點文本密度的網(wǎng)頁核心塊確定方法，包括以下步驟：

步驟一、解析HTML網(wǎng)頁，生成DOM樹，使每一個HTML標簽對應于DOM樹中的一個節(jié)點，網(wǎng)頁中的文字內(nèi)容則是DOM樹的葉子節(jié)點；

步驟二、為每個節(jié)點添加4個統(tǒng)計信息：

(1)Chars：節(jié)點所包含的所有文本字符的個數(shù)；

(2)Tags：節(jié)點所包含的所有標簽的個數(shù)；

(3)LinkChars：節(jié)點所包含的所有超鏈接文本字符個數(shù)；

(4)LinkTags：節(jié)點所包含的所有超鏈接個數(shù)；

對于每一個節(jié)點，定義其文本密度如下：

若i是網(wǎng)頁中的一個標簽，即i對應于DOM樹中的一個節(jié)點，則標簽i的文本密度為：

TDi=CiTiloglog(Ci⫬LCiLCi+LCbCbCi+e-1)(CiLCiTiLTi)]]>

其中，C_i表示標簽i對應的Chars，T_i表示標簽i對應的Tags，LC_i表示標簽i對應的LinkChars，表示標簽i所含的所有非超鏈接字符的個數(shù)即Chars與LinkChars的差值；LT_i表示標簽i對應的LinkTags，LC_b表示<body>標簽對應的LinkChars；C_b表示<body>標簽對應的Chars；

步驟三、根據(jù)DOM樹中節(jié)點的文本密度確定網(wǎng)頁核心塊。

2.根據(jù)權利要求1所述的一種基于DOM節(jié)點文本密度的網(wǎng)頁核心塊確定方法，其特征在于，在步驟一中，以<body>為起始標簽。

3.根據(jù)權利要求1或2所述的一種基于DOM節(jié)點文本密度的網(wǎng)頁核心塊確定方法，其特征在于，利用節(jié)點文本密度值的高低作為是否是核心塊的判斷依據(jù)，根據(jù)對文本密度值的統(tǒng)計定義一個閾值，如果其高于閾值，則認為為核心塊；反之，則認為是噪聲數(shù)據(jù)。

4.根據(jù)權利要求3所述的一種基于DOM節(jié)點文本密度的網(wǎng)頁核心塊確定方法，其特征在于，將<body>的文本密度作為閾值來區(qū)分核心塊和噪聲數(shù)據(jù)。

下載完整專利技術內(nèi)容需要扣除積分，VIP會員可以免費下載。

免登錄下載普通用戶下載升級VIP會員，免費下載

該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于北京理工大學，未經(jīng)北京理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯(lián)系【客服】

本文鏈接：http://www.szxzyx.cn/pat/books/201110096132.5/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。