基于网页分割的Web信息提取算法

• 作者: 侯明燕 杨天奇
• 来源期刊: 微型机与应用
• 学科: 工学
• 关键词: 网页分割 信息提取 聚类 阚值
• 年，卷（期）: 2011,（5）
• 所属期刊栏目: 网络与通信
• 页码范围: 59-61
• 分类号: TP311.5
• 字数: 2035字
• 语种: 中文
• DOI: 10.3969/j.issn.1674-7720.2011.05.019

摘要

针对网页非结构化信息抽取复杂度高的问题.提出了一种基于网页分割的Web信息提取算法.对网页噪音进行预处理,根据网页的文档对象模型树结构进行标签路径聚类,通过自动训练的阈值和网页分割算法快速判定网页的关键部分,根据数据块中的嵌套结构获取网页文本提取模板.对不同类型网站的实验结果表明,该算法运行速度快、准确度高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨天奇	暨南大学计算机科学系	44	282	9.0	14.0
2	侯明燕	暨南大学计算机科学系	1	3	1.0	1.0