网页正文信息抽取新方法
Release Time:2019-03-10 Hits:
Indexed by: Journal Article
Date of Publication: 2009-07-15
Journal: 大连理工大学学报
Included Journals: Scopus、CSCD、ISTIC、PKU、EI
Volume: 49
Issue: 4
Page Number: 594-597
ISSN: 1000-8608
Key Words: 包装器;HTML树;网页信息提取
Abstract: 基于包装器的信息抽取方法只能处理一种特定的信息源,而且对网页结构的依赖性强.基于此提出了一种将中文标点符号和HTML树结构作为识别网页正文内容重要特征的网页分析方法,通过统计中文标点符号确定部分正文信息,然后根据正文信息在结构上的相似性确定其他正文信息内容.实验结果表明该方法能有效地剔除网页噪音并提取网页正文,具有较好的通用性和较高的准确性.