基于DOM结构树的网页正文信息分段方法

• 作者: 周建 汤进 罗斌
• 来源期刊: 计算机与现代化
• 学科: 工学
• 关键词: 语义标记 布局标签 分段 噪音
• 年，卷（期）: 2013,（10）
• 所属期刊栏目: 网络与通信
• 页码范围: 229-232
• 页数: 4页
• 分类号: TP393
• 字数: 4343字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-2475.2013.10.056

摘要

网页正文信息的正确提取与分段,对文本信息挖掘等具有重要的意义.本文提出并实现一种从Web页面获取正文信息并能够正确分段的方法.该方法首先利用网页布局标签< table>和<div>构建一个DOM结构树,然后利用DOM结构树所反映出的布局标签的嵌套关系,对内容块进行取舍,提取出正确的正文信息,最后利用对一些特殊标签的处理,实现正文信息的分段.实验表明,该方法易实现、效率高,能自动准确地提取正文信息并分段.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	汤进	安徽大学计算机科学与技术学院	83	407	11.0	15.0
3	罗斌	安徽大学计算机科学与技术学院	181	1213	16.0	25.0
9	周建	安徽大学计算机科学与技术学院	2	2	1.0	1.0