摘要
网页主题信息通常湮没在大量的无关文字和HTML标记中,给应用程序迅速获取主题信息增加的难度。提出了一种基于网页分块的正文信息抽取方法。该方法首先识别和提取网页正文内容块,然后利用正则表达式和简单的判别规则内容块滤除内容块中的HTML标记和无关文字。实验证明,该方法能够准确地提取网页正文信息,且通用性较强,易于实现。
Web pages always contain large numbers of irrelevant words and HTML tags except for informative information.This enhances the difficulties of extracting informative information from Web pages quickly.A method of extract informative information based on user's interest is proposed.The experimental results prove that this method is good universality and can obtain informative message accurately,so our approach is easy to realize.
出处
《计算机应用》
CSCD
北大核心
2008年第S2期326-328,共3页
journal of Computer Applications
基金
重庆市自然科学基金资助项目(2007BB2454)
关键词
WEB信息抽取
主题内容块
网页正文信息
Web information extraction
informative content block
main text of Web page
