[發明專利]內容提取方法和設備以及存儲介質

有效

• 申請號: 201811249799.2
• 申請日: 2018-10-25
• 公開（公告）號: CN111104624B
• 公開（公告）日: 2023-08-22
• 發明（設計）人: 陳炎;夏迎炬;孟遙
• 申請（專利權）人: 富士通株式會社
• 主分類號: G06F16/958
• 分類號: G06F16/958;G06F16/95
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 康建峰;杜誠

1.一種內容提取方法，包括以下步驟：

基于HTML標簽生成HTML頁面的樹；

檢測所述樹中的每個節點所包含的特定內容特征的數目和文本長度特征的數目；

濾除所述樹中的特定內容特征的數目小于第一閾值或文本長度特征的數目小于第二閾值的節點；和

確定所述樹的剩余節點之中的、在相應分支上位于最底層的一個或更多個目標節點，

其中，所述特定內容特征是每個節點及其所有子節點所包含的日期，并且所述文本長度特征是每個節點及其所有子節點所包含的、長度大于第三閾值的文本，以及

其中，所述文本是對應于所述日期的一個或更多個歷史事件。

2.根據權利要求1所述的內容提取方法，還包括分別提取所述一個或更多個目標節點所包含的內容。

3.根據權利要求1或2所述的內容提取方法，其中，確定所述一個或更多個目標節點的步驟進一步包括：

a)將所述剩余節點之中的具有最小特定內容特征數目或文本長度特征數目的節點確定為第一目標節點；

b)將所述第一目標節點及其所有父節點從所述剩余節點中濾除；和

c)如果所述剩余節點的數目在執行步驟b)后不為零，則重復進行上述步驟a)和b)。

4.根據權利要求1或2所述的內容提取方法，其中所述第一閾值、所述第二閾值和所述第三閾值是正整數。

5.根據權利要求4所述的內容提取方法，其中，所述第一閾值與所述第二閾值相等。

6.根據權利要求4所述的內容提取方法，其中，所述第一閾值與所述第二閾值不相等并且小于所述第二閾值。

7.一種內容提取設備，包括：

生成單元，其被配置成基于HTML標簽生成HTML頁面的樹；

檢測單元，其被配置成檢測所述樹中的每個節點所包含的特定內容特征的數目和文本長度特征的數目；

濾除單元，其被配置成濾除所述樹中的特定內容特征的數目小于第一閾值或文本長度特征的數目小于第二閾值的節點；和

確定單元，其被配置成確定所述樹的剩余節點之中的、在相應分支上位于最底層的一個或更多個目標節點，

其中，所述特定內容特征是每個節點及其所有子節點所包含的日期，并且所述文本長度特征是每個節點及其所有子節點所包含的、長度大于第三閾值的文本，以及

其中，所述文本是對應于所述日期的一個或更多個歷史事件。

8.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有能夠由處理器運行來執行以下操作的程序：

基于HTML標簽生成HTML頁面的樹；

檢測所述樹中的每個節點所包含的特定內容特征的數目和文本長度特征的數目；

濾除所述樹中的特定內容特征的數目小于第一閾值或文本長度特征的數目小于第二閾值的節點；和

確定所述樹的剩余節點之中的、在相應分支上位于最底層的一個或更多個目標節點，

其中，所述特定內容特征是每個節點及其所有子節點所包含的日期，并且所述文本長度特征是每個節點及其所有子節點所包含的、長度大于第三閾值的文本，以及

其中，所述文本是對應于所述日期的一個或更多個歷史事件。