原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第29卷第3期 辽 宁 石 油 化 工 大 学 学 报 V01．29No．3
OFLIAONINGUNIVERSITYOFPETROl，EUMCHEMICALTECHNoLOGY
2009年9月JOURNAL Sep．2009
文章编号：1672—6952(2009)03—0065—05
基于HTML结构特征的网页信息提取
胡 瑜1，王立志2
(1．天津大学计算机科学与技术学院，天津300072}2．天津大学管理学院，天津300072)
摘要：
网页中感兴趣的数据。包装器所需的信息模式识别知识的获取是一个费时费力且需要较高智能的工作。避开了使
用Wrapper，针对新闻类网页的结构特点，从视觉角度对网页页面空间的构成进行了噪声与信息实体的划分与判断。
讨论了一种根据新闻类网页层次结构和各层节点统计信息进行新闻主体提取的方法。改进了传统的DoM模型，增
加了层次与样式等属性作为噪声判断的依据，并对其节点添加了统计信息，利用新闻的标题、时间等外显特性，提出
并实现了一种结合正向直接抽取与反向降噪抽取新闻类网页得到结构化数据的方法。实验结果表明，用这种方法
进行新闻类网页主体信息提取的有效性。
关键词；信息提取；DOM；LA—DOM；HTMI。解析；噪声标记
中图分类号：TP301 文献标识码：A doi：10．3696／J．issn．1672—6952．2009．03．019
InformationExtractionBasedontheStructureoftheHTML
Page
HUYul．WANGLi—zhi2
Scienceand University，n口巧in300072，P．R．China，
(1．DepartmentofComputerTechnology，Tianjin
300072，P．R．China)
2．DepartmentofManagement，TianjinUniversity，n口巧in
Received9 December 10March 5 2009
2008；revised2009；acceptedJune
extraction
amountofinformationontheWebisstoredasHTMLdocuments．Traditionalweb data
Abstract：Large page
methodistOuse tocollectdataof needthe of isa
Wrapper interest．Wrapperknowledgeacquisitionpatternrecognition，which
timeandeffort featuresofnewsweb fromthe
work，andneeds onthestructure pages，and
consuming highintelligence．Based
visual web structurewas intonoiseandinformationentities．Amethodof
文档评论（0）