Hits:

Indexed by:期刊论文

Date of Publication:2009-07-15

Journal:大连理工大学学报

Included Journals:EI、PKU、ISTIC、CSCD、Scopus

Volume:49

Issue:4

Page Number:594-597

ISSN No.: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.