基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
网页中存在正文信息以及与正文无关的信息,无关信息的存在对Web页面的分类、存储及检索等带来负面的影响。为降低无关信息的影响,从网页的结构特征和文本特征出发,提出一种结合网页结构特征与文本特征的正文提取方法。通过正则表达式去除网页中的无关元素,完成对网页的初次过滤。根据网页的结构特征对网页进行线性分块,依据各个块的文本特征将其区分为链接块与文本块,并利用噪音块连续出现的结果完成对正文部分的定位,得到网页正文信息。实验结果表明,该方法能够快速准确地提取网页的正文内容。
推荐文章
基于正文结构和长句提取的网页去重算法
网页去重
正文结构树
长句提取
层次指纹
基于标记窗的网页正文信息提取方法
标记窗
提取
文档对象模型
基于文本块密度和标签路径覆盖率的网页正文抽取
正文抽取
文本块密度
标签路径覆盖率
特征融合
基于布局相似性的网页正文内容提取研究
布局相似性
网页正文提取
信息检索
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 结合网页结构与文本特征的正文提取方法
来源期刊 计算机工程 学科 工学
关键词 正文提取 网页去噪 网页分块 主题爬行 信息检索 Web挖掘
年,卷(期) 2013,(12) 所属期刊栏目 人工智能及识别技术
研究方向 页码范围 200-203,210
页数 5页 分类号 TP18
字数 5096字 语种 中文
DOI 10.3969/j.issn.1000-3428.2013.12.043
五维指标
作者信息
序号 姓名 单位 发文数 被引次数 H指数 G指数
1 熊忠阳 重庆大学计算机学院 135 2447 25.0 44.0
2 张玉芳 重庆大学计算机学院 125 2737 26.0 48.0
3 牙漫 重庆大学计算机学院 2 58 2.0 2.0
4 蔺显强 重庆大学计算机学院 1 37 1.0 1.0
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (8)
共引文献  (96)
参考文献  (5)
节点文献
引证文献  (37)
同被引文献  (66)
二级引证文献  (19)
2002(2)
  • 参考文献(0)
  • 二级参考文献(2)
2004(5)
  • 参考文献(1)
  • 二级参考文献(4)
2005(2)
  • 参考文献(1)
  • 二级参考文献(1)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2008(1)
  • 参考文献(1)
  • 二级参考文献(0)
2012(2)
  • 参考文献(2)
  • 二级参考文献(0)
2013(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
2014(4)
  • 引证文献(4)
  • 二级引证文献(0)
2015(8)
  • 引证文献(7)
  • 二级引证文献(1)
2016(6)
  • 引证文献(5)
  • 二级引证文献(1)
2017(9)
  • 引证文献(5)
  • 二级引证文献(4)
2018(19)
  • 引证文献(14)
  • 二级引证文献(5)
2019(8)
  • 引证文献(2)
  • 二级引证文献(6)
2020(2)
  • 引证文献(0)
  • 二级引证文献(2)
研究主题发展历程
节点文献
正文提取
网页去噪
网页分块
主题爬行
信息检索
Web挖掘
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机工程
月刊
1000-3428
31-1289/TP
大16开
上海市桂林路418号
4-310
1975
chi
出版文献量(篇)
31987
总下载数(次)
53
总被引数(次)
317027
论文1v1指导