基于简化DomTree的网页数据提取

• 作者: 史辰方 王鹏
• 来源期刊: 中国电子商情：通信市场
• 学科: 工学
• 关键词: 内容挖掘 网页数据提取 简化Dom Tree
• 年，卷（期）: 2012,（5）
• 所属期刊栏目: 2012云计算与信息技术应用学术会议优秀论文
• 页码范围: 31-36
• 页数: 6页
• 分类号: TP391
• 字数: 2950字
• 语种: 中文

摘要

本文在DomTree匹配分析网页数据的基础上，提出了一种基于白名单策略的DomTree简化方法，这种简化方法根据白名单匹配原则对网页嵌套结构进行剪枝和压缩，其生成的网页文本树结构只包含与检索相关的内容区块。本文提出了一种基于简化DomTree结构进行网页数据提取的方法。这种方法可以在保证网页主要数据信息不丢失的基础上，提高网页数据分析及获取的速度，缩短网页数据分析的时间。本文利用电子商务网页文本对分析方法进行评估，实验表明提取得到的数据信息完整，主题相关程度高，取得了较好的结果。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王鹏	北京航空航天大学计算机学院	55	761	12.0	27.0
2	史辰方	北京航空航天大学计算机学院	2	1	1.0	1.0