基于扩展标记树的网页正文抽取

夏天

doi:10.16088/j.issn.1001-6600.2011.01.020

广西师范大学学报（自然科学版） ›› 2011, Vol. 29 ›› Issue (01) : 133 -137. DOI: 10.16088/j.issn.1001-6600.2011.01.020

基于扩展标记树的网页正文抽取

夏天

作者信息 +

Author information +

文章历史 +

PDF

摘要

本文给出了一种基于扩展标记树的网页正文抽取方法,通过构建网页扩展标记树,实现对网页的清理和抽取辅助信息的完善,并设置节点坐标定位节点位置;以构成正文内容的文本节点作为正文区域标志,挑选具有最大文本覆盖范围的近邻文本节点集,并进行修正形成正文区域;通过近邻优先遍历算法,实现标题节点的定位和附加属性的抽取。实验结果表明:该方法可以实现常规文章类网页的高精度抽取,并具有良好的适应性。