基于扩展标记树的网页正文抽取

• 作者: 夏天
• 来源期刊: 广西师范大学学报（自然科学版）
• 学科: 工学
• 关键词: 网页正文抽取 扩展标记树 近邻优先遍历
• 年，卷（期）: 2011,（1）
• 页码范围: 133-137
• 分类号: TP391.3
• 字数: 4752字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-6600.2011.01.027

摘要

本文给出了一种基于扩展标记树的网页正文抽取方法,通过构建网页扩展标记树,实现对网页的清理和抽取辅助信息的完善,并设置节点坐标定位节点位置;以构成正文内容的文本节点作为正文区域标志,挑选具有最大文本覆盖范围的近邻文本节点集,并进行修正形成正文区域;通过近邻优先遍历算法,实现标题节点的定位和附加属性的抽取.实验结果表明:该方法可以实现常规文章类网页的高精度抽取,并具有良好的适应性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	夏天		49	521	12.0	22.0