一种基于正文特征的新闻网页抽取方法
Release Time:2019-03-10 Hits:
Indexed by: Journal Article
Date of Publication: 2010-08-18
Journal: 情报杂志
Included Journals: CSSCI、PKU
Volume: 29
Issue: 8
Page Number: 122-124,54
ISSN: 1002-1965
Key Words: 正文特征;网页抽取;DOM模型
Abstract: 在统计分析了中文新闻网页的结构和内容特征的基础上,提出一种比较简单实用的基于正文特征的新闻网页抽取方法.该方法首先将HTML网页表示成基于XML的DOM树形式,利用统计的正文特征和节点信息从树中过滤掉噪音数据节点,最后再选取正文节点.该方法相比传统的基于包装器的抽取方法具有简单、实用的特点.实验结果表明,该抽取方法准确率达到94%以上,具有很好的实用价值.