基于分块的网页正文信息提取算法研究 |
| |
作者姓名: | 黄文蓓 杨静 顾君忠 |
| |
作者单位: | 华东师范大学计算机科学技术系,上海200062 |
| |
基金项目: | 上海市科学技术委员会科技攻关项目(055115001) |
| |
摘 要: | 提出并实现了一种从Web页面获取正文的方法。该方法包括2个步骤:网页分块和对内容块的取舍。网页分块采用了一种自底向上分析标签树的自动分块算法,该算法比起以往方法更准确,并且对于复杂结构的页面分块效果更好。通过引入块的重要度和块特征分析每个内容块,来辨别出含有正文的内容块。实验结果表明本方法切实可行并且具有较高的准确性。
|
关 键 词: | Web网页正文提取 内容块 标签树 噪音 |
文章编号: | 1001-9081(2007)S1-0024-03 |
修稿时间: | 2006-12-21 |
本文献已被 维普 等数据库收录! |
|