基于页面分类的 Web 信息抽取方法研究

摘要：

通过对现有 Web 信息抽取方法和当前 Web 网页特点的分析,发现现有抽取技术存在抽取页面类型固定和抽取结果不准确的问题,为了弥补以上两个不足,文中提出了一种基于页面分类的 Web 信息抽取方法,此方法能够完成对互联网上主流信息的提取.通过对页面进行分类和对页面主体的提取,分别克服传统方法抽取页面类型固定和抽取结果不够准确的问题.文中设计了一个完整的 Web 信息抽取模型,并给出了各功能模块的实现方法.该模型包含页面主体提取、页面分类和信息抽取等模块,并利用正则表达式自动生成抽取规则,提高了抽取方法的通用性和准确性.最后用实验证实了文中方法的有效性与正确性.

关键词：Web 信息抽取、正则表达式、页面分类、HTMLParser、结点树

分类号：TP31(计算技术、计算机技术)

在线出版日期：2013-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：54-58