Web文档清洗系统中HTML解析器的开发

• 作者: 张福炎 武港山 王强 王继成
• 来源期刊: 计算机应用研究
• 关键词: HTML解析器 词法器 递归下降 文档清洗
• 年，卷（期）: 2002,（2）
• 所属期刊栏目: 网络技术及应用
• 页码范围: 54-57
• 页数: 4页
• 分类号: TP391|TP393
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2002.02.017

摘要

对于组建一个面向Web的信息系统来说,去除掉脚本、广告链接以及导航链接等无用数据,将提高信息存储和检索的效率;同时,基于语义对Web文档进行合并和分割也会有助于信息的管理,这些都是Web文档清洗系统的任务.在Web文档清洗中,无论是脱机的规则学习还是联机的文档清洗,都需要建立在对Web文档的结构和内容进行分析的基础之上.从HTML解析的一般概念入手,结合Web文档清洗系统的需求,描述了一个自主开发的HTML解析器的结构,并对其组成部分:词典、词法分析器和语法分析器的设计作了详细的讨论.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王继成	南京大学计算机科学与技术系	25	2415	18.0	25.0
5	武港山	南京大学计算机科学与技术系	66	1172	20.0	31.0
9	王强	南京大学计算机科学与技术系	106	816	13.0	26.0