基于规则模型的网页主题文本提取方法

• 来源期刊: 计算机工程与设计
• 学科: 工学
• 关键词: 规则模型 信息抽取 主题文本提取 数据采集 Web挖掘
• 年，卷（期）: 2009,（20）
• 所属期刊栏目: 软件与算法
• 页码范围: 4665-4667
• 页数: 3页
• 分类号: TP391
• 字数: 3605字
• 语种: 中文

摘要

通过对网页结构化和半结构化信息的分析,提出了一种基于规则模型的网页正文提取方法.该方法在总结HTML标签的不同应用特征和网页布局的结构特征的基础上,通过定义一系列过滤、提取和合并规则来建立一个通用的网页正文抽取模型,以达到有效提取网页主题文本的目的.实验结果表明,该方法对于各类型网页主题文本的提取均具有较高的准确卒,通用性强.