基于文字密度提取网页正文

• 作者: 石锦涛
• 来源期刊: 福建电脑
• 关键词: 网页正文提取 文字密度函数 网页噪声 舆情分析
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 应用与开发
• 页码范围: 116-117
• 页数: 2页
• 字数: 2266字
• 语种: 中文
• DOI: 10.16707/j.cnki.fjpc.2017.04.056

摘要

本文提出了一种基于文字密度的网页正文提取算法.该方法包括了3个步骤:首先对网页进行预处理,然后基于处理后的部分做出该网页的文字密度函数,最后引入一种分析机制将正文部分提取出来.本文提出的算法不依赖DOM树的建立、不依赖机器学习和数据挖掘,而是根据网页正文的特性进行正文提取.实验表明本方法切实可行并且具有较高的准确性,网页正文提取的准确度高达94%.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	石锦涛	四川大学计算机学院	1	1	1.0	1.0