基于结构一致和特征学习的网页信息标签提取

• 作者: 杜博远 王美清 陈长福 陈飞
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 网页标签 信息提取 特征学习 结构一致
• 年，卷（期）: 2017,（7）
• 所属期刊栏目: 大数据与云计算
• 页码范围: 74-78,120
• 页数: 6页
• 分类号: TP391
• 字数: 7307字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1509-0226

摘要

网页信息指网页的正文、标题、发布时间、媒体等,每个信息都存在于HTML文档特定的标签中,自动获取这些标签可以实现在相同模板下的网页信息自动提取,对于大规模抓取网页内容有很大帮助.由于在相同模板下不同网页之间结构一致,网页信息有一定统计特征,提出了一种基于结构对比和特征学习的网页信息标签自动提取算法.该算法包含三个步骤:网页对比、内容识别和标签提取.在51个模块下对1620个网页进行测试,实验结果表明,通过提取标签获取网页信息不仅速度快,而且抓取的内容更加准确.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王美清	福州大学数学与计算机科学学院	55	204	7.0	10.0
2	陈飞	福州大学数学与计算机科学学院	23	158	5.0	12.0
3	杜博远	福州大学数学与计算机科学学院	1	3	1.0	1.0
4	陈长福		2	12	2.0	2.0