基于标记树表示方法的页面结构分析.pdf

基于标记树表示方法的页面结构分析 ! ! ! ! 常育红1 2 3 姜 哲2 3 朱小燕2 3 1 ( , 北京九州公司 北京 100081 2 清华大学计算机科学与技术系 北京 ( , 100084 3 ( , 清华大学智能技术与系统国家重点实验室 北京 100084 1 E-maiI yhchang@2 1 摘 要 页面内容结构分析在WEB 信息检索~分类和抽取等方面有重要作用O 文章从页面布局和内容之间关系出发, 根据 文件中标记之间关系 用标记树表示页面文件 采用自底向上的算法 抽取出具有不同语义的页面内容 提出 WEB , , , , 用树形层次结构表示它们之间关系的方法 在此基础上 通过模仿人们浏览页面的习惯 成功地将其应用于页面的计算 O , , 机屏读系统,实现自动朗读页面主题的功能O 关键词 WEB 页面布局 页面结构 信息抽取 文章编号 ( 文献标识码 中图分类号 1002-8331- 2004 16-0 129-04 A TP39 1 Web Page Structure Analysis Based on Tag Tree Method Chang Yuhong1 2 3 Jiang Zhe2 3 Zhu Xiaoyan2 3 1 Beijing Jiuzhou Company Beijing 100081 2 Department of Computer Science and TechnoIogy Tsinghua University Beijing 100084 3