灵活结构网页的正文提取

• 作者: 杨会志 殷彬
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: Web数据挖掘 网页内容提取 正文节点 超链接节点 节点权值 链接密度
• 年，卷（期）: 2011,（9）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 111-113,117
• 分类号: TP391
• 字数: 3316字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2011.09.029

摘要

在Web数据挖掘中,由于网页大多都含有指向其他页面的超链接等噪音信息,为了减少噪音信息对Web数据挖掘效果的影响,有必要对网页进行净化处理,提取其中的正文,同时,现实中很多网页的代码结构不是特别规范,对此,提出一种对灵活结构网页适用的正文抽取算法.将网页用HTML标签分割成节点形式,找出其中含有正文内容的一个节点,以此节点为基础向前和向后进行余下正文内容的抽取.实验结果表明,本算法的适用性强、正确率较高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	殷彬	电子科技大学中山学院	13	79	5.0	8.0
2	杨会志	电子科技大学中山学院	11	41	4.0	6.0