科研之友
微信
新浪微博
Facebook
分享链接
摘要
Web信息抽取技术一直是信息技术领域的研究热点。而且,近年来,DIV+CSS的网页布局方法开始普遍应用于网页设计中。基于此,提出了一种较为简单和实用的基于正文特征和网页结构的新闻网页正文抽取方法。首先识别和提取网页正文内容块,然后利用正则表达式滤除内容块中的HTML标记并提取网页正文。实验结果表明,该方法对正文抽取具有较高的通用性与准确率。
-
单位中国科学院; 中国科学院，安徽光学精密机械研究所; 中国科学院安徽光学精密机械研究所; 中国科学技术大学
