网上有很多关于注释提取的算法,有基于dom树,文字长度,投票,seo外包优化视觉信息的,这些都可以复杂了解一下,不外关于国际主要搜刮引擎百度,我们就得尽可能找找他有没有这方面的专利.

　　百度专利<<一种用于对页面停止主体识其余方法与装备>> 恳求于2011年,外面是如许识别主体的

　　1.对页面停止分块,分块就是对一些标签停止吞并,html标签中通俗来讲p,span,font等是罕见的用于文本的标签,div,table,td等是用于块的标签,经过吞并,可以简化页面的结构,便于剖析.

　　2.对块停止吞并,当属于统一层级,而且是属于可吞并类型(这里类型不限于图片,文本,链接等)的块停止吞并,可以复杂了解为段落的吞并.

　　3.对吞并后的块停止字体格式信息,行数,宽度,位置停止识别

　　4.对主体停止识别,这里有响应的投票机制和算法,举例:假设块位于网页的中部,行数和宽度大年夜于预设阈值,题目字号和文本字号分歧,就辨认为主体.

　　下面是这篇专利主要讲的方法,但要明确,分歧的行业实际上是有分歧的识别规矩的,有些行业因为数据结构的特别性,所以其实不是字数多就是主体,比如商品页,字段最多的能够是评论区块.所以关于分歧行业要做分歧的剖析