基于页面分类的 Web 信息抽取方法研究

• 作者: 于静 成卫青 杨晶 杨龙
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: Web 信息抽取 正则表达式 页面分类 HTMLParser 结点树
• 年，卷（期）: 2013,（1）
• 页码范围: 54-58
• 分类号: TP31
• 字数: 5069字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2013.01.014

摘要

通过对现有 Web 信息抽取方法和当前 Web 网页特点的分析,发现现有抽取技术存在抽取页面类型固定和抽取结果不准确的问题,为了弥补以上两个不足,文中提出了一种基于页面分类的 Web 信息抽取方法,此方法能够完成对互联网上主流信息的提取.通过对页面进行分类和对页面主体的提取,分别克服传统方法抽取页面类型固定和抽取结果不够准确的问题.文中设计了一个完整的 Web 信息抽取模型,并给出了各功能模块的实现方法.该模型包含页面主体提取、页面分类和信息抽取等模块,并利用正则表达式自动生成抽取规则,提高了抽取方法的通用性和准确性.最后用实验证实了文中方法的有效性与正确性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨龙	南京邮电大学计算机学院	3	38	3.0	3.0
2	成卫青	南京邮电大学计算机学院	31	301	11.0	16.0
3	于静	南京邮电大学计算机学院	1	13	1.0	1.0
4	杨晶	南京邮电大学计算机学院	2	26	2.0	2.0