[發(fā)明專利]內(nèi)容提取方法和設(shè)備以及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201811249799.2
• 申請(qǐng)日: 2018-10-25
• 公開（公告）號(hào): CN111104624B
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計(jì)）人: 陳炎;夏迎炬;孟遙
• 申請(qǐng)（專利權(quán)）人: 富士通株式會(huì)社
• 主分類號(hào): G06F16/958
• 分類號(hào): G06F16/958;G06F16/95
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 康建峰;杜誠(chéng)

1.一種內(nèi)容提取方法，包括以下步驟：

基于HTML標(biāo)簽生成HTML頁(yè)面的樹；

檢測(cè)所述樹中的每個(gè)節(jié)點(diǎn)所包含的特定內(nèi)容特征的數(shù)目和文本長(zhǎng)度特征的數(shù)目；

濾除所述樹中的特定內(nèi)容特征的數(shù)目小于第一閾值或文本長(zhǎng)度特征的數(shù)目小于第二閾值的節(jié)點(diǎn)；和

確定所述樹的剩余節(jié)點(diǎn)之中的、在相應(yīng)分支上位于最底層的一個(gè)或更多個(gè)目標(biāo)節(jié)點(diǎn)，

其中，所述特定內(nèi)容特征是每個(gè)節(jié)點(diǎn)及其所有子節(jié)點(diǎn)所包含的日期，并且所述文本長(zhǎng)度特征是每個(gè)節(jié)點(diǎn)及其所有子節(jié)點(diǎn)所包含的、長(zhǎng)度大于第三閾值的文本，以及

其中，所述文本是對(duì)應(yīng)于所述日期的一個(gè)或更多個(gè)歷史事件。

2.根據(jù)權(quán)利要求1所述的內(nèi)容提取方法，還包括分別提取所述一個(gè)或更多個(gè)目標(biāo)節(jié)點(diǎn)所包含的內(nèi)容。

3.根據(jù)權(quán)利要求1或2所述的內(nèi)容提取方法，其中，確定所述一個(gè)或更多個(gè)目標(biāo)節(jié)點(diǎn)的步驟進(jìn)一步包括：

a)將所述剩余節(jié)點(diǎn)之中的具有最小特定內(nèi)容特征數(shù)目或文本長(zhǎng)度特征數(shù)目的節(jié)點(diǎn)確定為第一目標(biāo)節(jié)點(diǎn)；

b)將所述第一目標(biāo)節(jié)點(diǎn)及其所有父節(jié)點(diǎn)從所述剩余節(jié)點(diǎn)中濾除；和

c)如果所述剩余節(jié)點(diǎn)的數(shù)目在執(zhí)行步驟b)后不為零，則重復(fù)進(jìn)行上述步驟a)和b)。

4.根據(jù)權(quán)利要求1或2所述的內(nèi)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(shù)。

5.根據(jù)權(quán)利要求4所述的內(nèi)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(jù)權(quán)利要求4所述的內(nèi)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(nèi)容提取設(shè)備，包括：

生成單元，其被配置成基于HTML標(biāo)簽生成HTML頁(yè)面的樹；

檢測(cè)單元，其被配置成檢測(cè)所述樹中的每個(gè)節(jié)點(diǎn)所包含的特定內(nèi)容特征的數(shù)目和文本長(zhǎng)度特征的數(shù)目；

濾除單元，其被配置成濾除所述樹中的特定內(nèi)容特征的數(shù)目小于第一閾值或文本長(zhǎng)度特征的數(shù)目小于第二閾值的節(jié)點(diǎn)；和

確定單元，其被配置成確定所述樹的剩余節(jié)點(diǎn)之中的、在相應(yīng)分支上位于最底層的一個(gè)或更多個(gè)目標(biāo)節(jié)點(diǎn)，

其中，所述特定內(nèi)容特征是每個(gè)節(jié)點(diǎn)及其所有子節(jié)點(diǎn)所包含的日期，并且所述文本長(zhǎng)度特征是每個(gè)節(jié)點(diǎn)及其所有子節(jié)點(diǎn)所包含的、長(zhǎng)度大于第三閾值的文本，以及

其中，所述文本是對(duì)應(yīng)于所述日期的一個(gè)或更多個(gè)歷史事件。

8.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有能夠由處理器運(yùn)行來(lái)執(zhí)行以下操作的程序：

基于HTML標(biāo)簽生成HTML頁(yè)面的樹；

檢測(cè)所述樹中的每個(gè)節(jié)點(diǎn)所包含的特定內(nèi)容特征的數(shù)目和文本長(zhǎng)度特征的數(shù)目；

濾除所述樹中的特定內(nèi)容特征的數(shù)目小于第一閾值或文本長(zhǎng)度特征的數(shù)目小于第二閾值的節(jié)點(diǎn)；和

確定所述樹的剩余節(jié)點(diǎn)之中的、在相應(yīng)分支上位于最底層的一個(gè)或更多個(gè)目標(biāo)節(jié)點(diǎn)，

其中，所述特定內(nèi)容特征是每個(gè)節(jié)點(diǎn)及其所有子節(jié)點(diǎn)所包含的日期，并且所述文本長(zhǎng)度特征是每個(gè)節(jié)點(diǎn)及其所有子節(jié)點(diǎn)所包含的、長(zhǎng)度大于第三閾值的文本，以及

其中，所述文本是對(duì)應(yīng)于所述日期的一個(gè)或更多個(gè)歷史事件。