基于CURE算法的网页分块及正文块提取研究

• 作者: 徐杰锋 王超
• 来源期刊: 微型机与应用
• 学科: 工学
• 关键词: Web信息抽取 聚类算法 页面分块 正文块提取
• 年，卷（期）: 2012,（12）
• 所属期刊栏目: 软件天地
• 页码范围: 11-14
• 页数: 4页
• 分类号: TP391
• 字数: 3186字
• 语种: 中文
• DOI: 10.3969/j.issn.1674-7720.2012.12.004

摘要

研究基于CURE聚类的Web页面分块方法及正文块的提取规则。对页面DOM树增加节点属性，使其转换成为带有信息节点偏移量的扩展DOM树。利用CURE算法进行信息节点聚类，各个结果簇即代表页面的不同块。最后提取了正文块的三个主要特征，构造信息块权值公式，利用该公式识别正文块。