网页信息自动抽取技术的研究

• 作者: 丁飞 刘云 孟嗣仪 张彦超 胡少荣
• 来源期刊: 铁路计算机应用
• 学科: 工学
• 关键词: 自动抽取 网页信息 解析模板 XPath 网络舆情
• 年，卷（期）: 2010,（9）
• 页码范围: 37-40
• 分类号: TP39
• 字数: 4020字
• 语种: 中文
• DOI: 10.3969/j.issn.1005-8451.2010.09.012

摘要

在网络舆情分析中,经常要从大量的网页信息中抽取出有用的数据.但一般的网页信息抽取技术都是基于对HTML文档的分析.本文提出网页信息自动抽取的方法,可以滤除网页噪声,快速准确地获取所需要的网页信息.该方法首先将HTML转换为结构化的XML文档,然后结合DOM4J和XPath语言建立网页解析模板库,最后根据模板的抽取规则对网页信息进行抽取.实验证明,该方法具有较高的回召率和查准率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘云	北京交通大学网络舆论安全研究中心	183	1843	21.0	36.0
2	孟嗣仪	北京交通大学网络舆论安全研究中心	17	64	5.0	7.0
3	张彦超	北京交通大学网络舆论安全研究中心	7	426	6.0	7.0
4	丁飞	北京交通大学网络舆论安全研究中心	5	101	4.0	5.0
5	胡少荣	北京交通大学网络舆论安全研究中心	1	16	1.0	1.0