基于主题型页面的正文信息抽取技术研究

• 作者: 万文兵
• 来源期刊: 计算机光盘软件与应用
• 学科: 工学
• 关键词: 主题型页面 网页标题 正文抽取
• 年，卷（期）: 2015,（1）
• 所属期刊栏目: 产业聚焦 -- 智慧城市
• 页码范围: 15-16
• 页数: 2页
• 分类号: TP311.12
• 字数: 2624字
• 语种: 中文

摘要

Web页面信息通常包含大量无关结构和HTML标记，而页面主题信息通常淹没其中，如何快速获取Web页面主题信息。本文提出了一种抽取策略，首先判定是否为主题型页面，然后提取网页正文信息，最后利用正则表达式滤除内容块中HTML标记和无关文字。实验结果表明：该方法能准确地完成主题型网页的正文抽取任务。