基于超链接和 DOM 结构树的网页标题实时抽取方法

• 作者: 张兵 汤进 罗斌
• 来源期刊: 计算机与现代化
• 学科: 工学
• 关键词: 超链接 网页标题 发布时间 实时 信息抽取
• 年，卷（期）: 2015,（8）
• 所属期刊栏目: 算法设计与分析
• 页码范围: 84-88
• 页数: 5页
• 分类号: TP391
• 字数: 4641字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-2475.2015.08.017

摘要

网页标题的正确抽取，在Web文本信息抽取领域有着重大意义。本文提出一种网页标题实时抽取方法。首先通过对目录型网页进行实时解析，接着采用基于超链接遍历的方法，并利用标题与发布时间的对应关系，最终获取对应目录型网页的URL及锚文本。若获得锚文本不是网页正文的标题，则获取主题型网页的HTML源码并构建网页DOM树。在此基础上，结合网页标题的视觉特点，深度优先遍历DOM树，正确提取网页正文标题。实验结果表明，本文提出的Web网页标题实时抽取方法，具有实现简单，准确率高等优点。

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	张兵	安徽大学计算机科学与技术学院	8	27	4.0	5.0