一种基于模板的快速网页文本自动抽取算法

• 作者: 周知予 李大学 陈治昂
• 来源期刊: 计算机应用研究
• 关键词: 噪声 非结构化 文本抽取 模板 阈值
• 年，卷（期）: 2009,（7）
• 所属期刊栏目: 系统应用开发
• 页码范围: 2646-2649
• 页数: 4页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1001-3695.2009.07.068

摘要

针对网页噪声和网页非结构化信息抽取模板生成复杂度高的问题,提出了一种快速获取非结构信息抽取模板的算法.该算法先对网页噪声进行预处理,将其DOM树结构进行标签hash映射,通过自动训练的阈值快速判定网页的主要部分,根据数据块中的嵌套结构获取网页文本抽取模板.对不同类型网站的实验表明,该方法快速且具有较高的准确度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李大学	重庆邮电大学计算机学院	11	149	6.0	11.0
2	陈治昂	重庆邮电大学计算机学院	3	36	2.0	3.0