基于视觉特征的网页正文提取方法研究

• 作者: 安增文 徐杰锋
• 来源期刊: 微型机与应用
• 学科: 工学
• 关键词: 页面分块 信息提取 视觉特征
• 年，卷（期）: 2010,（3）
• 所属期刊栏目: 网络与通信
• 页码范围: 38-41
• 页数: 4页
• 分类号: TP391
• 字数: 3328字
• 语种: 中文
• DOI: 10.3969/j.issn.1674-7720.2010.03.013

摘要

利用网页的视觉特征和DOM树的结构特性对网页进行分块,并采用逐层分块逐层删减的方法将与正文无关的噪音块删除,从而得到正文块.对得到的正文块运用VIPS算法得到完整的语义块,最后在语义块的基础上提取正文内容.试验表明,这种方法是切实可行的.