基于DOM结构树的网页正文信息分段方法

摘要：

网页正文信息的正确提取与分段,对文本信息挖掘等具有重要的意义.本文提出并实现一种从Web页面获取正文信息并能够正确分段的方法.该方法首先利用网页布局标签< table>和<div>构建一个DOM结构树,然后利用DOM结构树所反映出的布局标签的嵌套关系,对内容块进行取舍,提取出正确的正文信息,最后利用对一些特殊标签的处理,实现正文信息的分段.实验表明,该方法易实现、效率高,能自动准确地提取正文信息并分段.

关键词：语义标记、布局标签、分段、噪音

分类号：TP393(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61073116,61202228

在线出版日期：2013-11-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：229-232