基于文本行特征的网页正文信息抽取方法研究

• 作者: 刘志杰 潘洋
• 来源期刊: 软件导刊
• 学科: 工学
• 关键词: 网页信息抽取 正文特征 网页去噪 正文抽取
• 年，卷（期）: 2017,（10）
• 所属期刊栏目: 软件理论与方法
• 页码范围: 15-18
• 页数: 4页
• 分类号: TP301
• 字数: 3256字
• 语种: 中文
• DOI: 10.11907/rjdk.172123

摘要

目前互联网上网页来源众多 、结构各异,针对网页正文信息抽取精度及通用性问题,提出一种基于文本行特征的网页正文信息抽取方法.首先根据正文特征将明显不是正文内容的噪声去除,通过预处理将页面转换成文本和行号的集合,根据网页正文文本行信息字数较长这一特点,设定阈值并删除不符合阈值要求的文本行.正文信息行距一般相隔较近且含有中文标点符号,根据这一特征进一步删除不符合要求的文本行,最后整合出网页正文信息.将该方法与网页正文提取工具印象笔记(Evernote)、有道剪报工具(YNote)进行对比实验,实验结果表明该方法在平均准确率上高于YNote、Evernote,具有一定的通用性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘志杰	武汉工程大学计算机科学与工程学院	1	1	1.0	1.0
2	潘洋	武汉工程大学计算机科学与工程学院	4	14	2.0	3.0