网页正文信息抽取新方法

• 作者: 吴新涛 宋明秋 张瑞雪 李文立
• 来源期刊: 大连理工大学学报
• 学科: 工学
• 关键词: 包装器 HTML树 网页信息提取
• 年，卷（期）: 2009,（4）
• 所属期刊栏目: 电子与信息工程、管理工程
• 页码范围: 594-597
• 页数: 4页
• 分类号: TP391
• 字数: 3377字
• 语种: 中文

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李文立	大连理工大学系统工程研究所	42	718	15.0	26.0
2	宋明秋	大连理工大学系统工程研究所	20	252	9.0	15.0
3	张瑞雪	大连理工大学系统工程研究所	10	139	5.0	10.0
4	吴新涛	大连理工大学系统工程研究所	1	38	1.0	1.0