Hits:

Indexed by:期刊论文

Date of Publication:2011-04-15

Journal:计算机科学

Included Journals:PKU、ISTIC、CSCD

Volume:38

Issue:4

Page Number:213-215,225

ISSN No.:1002-137X

Key Words:DOM树;网页正文提取;结构相似性;逆序解析

Abstract:一般地,从HTML网页中提取正文信息,应先将HTML网页解析成DOM树,然后遍历DOM树,依据目标信息在DOM树中的分布规律,将信息从DOM树中提取.这种传统方法将解析DOM树和从DOM树中提取信息看成两个独立的过程,制约了提取信息的速度.事实上,在准确提取目标信息的过程中,独立解析整个DOM树是没有必要的.在此,提出了逆序解析DOM树算法.并结合DOM树相似理论和传统的顺序解析算法,从部分目标信息开始分别向后顺序和向前逆序解析DOM树,同时定位并获取其他目标信息.利用该方法提取网页正文信息,一方面只需解析部分DOM树,从而减少了解析树结构花费的时间,另一方面不需要遍历整个DOM树查找目标信息,从而节省了查找时间,大大提高了信息提取速度.最后,通过实验证实了该方法的优越性.