作者:214812031_88fe08 | 来源:互联网 | 2023-08-24 17:34
算法思路:假如网页正文(过滤html标签后的)有n行,以k行为一行块,总共可构成n-k+1行块;以行号为索引号,以行块长度为索引值,形成行块稀疏矩阵;以上面的稀疏矩阵为基础,找出其骤升骤降点,分割成多个文本块;最后找出最大的文本块作为正文-----------------------------------------------------------------
算法思路:
假如网页正文(过滤html标签后的)有n行,以k行为一行块,总共可构成n-k+1行块;
以行号为索引号,以行块长度为索引值,形成行块稀疏矩阵;
以上面的稀疏矩阵为基础,找出其骤升骤降点,分割成多个文本块;
最后找出最大的文本块作为正文
-------------------------------------------------------------------------
网页正文抽取程序测试效果