基于逻辑行和最大接纳距离的网页正文抽取

• 作者: 张霞亮 陈家骏
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 信息抽取 网页正文 逻辑行 启发式规则 最大接纳距离
• 年，卷（期）: 2009,（25）
• 所属期刊栏目: 数据库、信息处理
• 页码范围: 125-128,147
• 页数: 5页
• 分类号: TP391
• 字数: 6622字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2009.25.038

摘要

网页正文抽取是很多互联网应用的基础工作和必须解决的问题.目前的主流方法是基于DOM树结构,此方法需要解析出网页的DOM树结构.对于目前互联网上的网页来源众多、结构众多的情形,基于DOM树的处理方法除了性能不足以外,还会遇到抽取精度上的问题.针对这些问题,该文提出了一个网页正文抽取的新方法,该方法不依赖DOM树,而是考虑人们编写网页的方式形成一些启发式规则,并结合相关的统计规律,以逻辑行为基本处理单位,基于最大接纳距离进行网页正文抽取.实验表明,论文的方法能够高效、高精度地抽取出网页正文.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈家骏	南京大学计算机软件新技术国家重点实验室	61	1082	18.0	31.0
2	张霞亮	南京大学软件学院	1	21	1.0	1.0