网页信息提取技术

• 作者: 邵振凯
• 来源期刊: 计算机技术与发展
• 学科: 工学
• 关键词: DOM 标签提取 信息提取 网页净化
• 年，卷（期）: 2013,（9）
• 所属期刊栏目: 智能、算法、系统工程
• 页码范围: 36-38,42
• 页数: 4页
• 分类号: TP311
• 字数: 3006字
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2013.09.009

摘要

随着互联网的快速发展,Web页面上的信息量已变得非常巨大,面对网页上海量的信息资源,如何快速有效地检索及发现有价值的信息已成为Web研究的一个重要方面。对此提出了一种标签提取方法。利用JTidy将网页优化为格式良好的HTML文档并解析为DOM树,然后用标签提取方法对该DOM树中包含有文本信息内容的叶子节点标签进行提取,把用于控制网页交互性和显示的标签删除掉,并运用基于标点符号的信息提取方法去除版权说明等信息。对不同网站的网页进行抽取实验,结果表明标签提取方法不但通用性强,而且能够准确地提取网页的主题信息。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邵振凯	安徽理工大学计算机科学与工程学院	1	5	1.0	1.0