HTML文件文本信息预处理技术.pdfVIP

2006 年年3 月月 计计 算算 机机 工工 程程 年年 月月 第第32 卷卷 第第5 期期 计计 算算 机机 工工 程程 第第 卷卷 第第 期期 Vol.32 5 Computer Engineering March 2006 文章编号文章编号 1000 3428(2006)05 0046 03 文献标识码文献标识码 A 文章编号文章编号 文献标识码文献标识码 中图分类号中图分类号 TP391 软件技术与数据库软件技术与数据库 中图分类号中图分类号 软件技术与数据库软件技术与数据库 HTMLHTML 文件的文本信息预处理技术文件的文本信息预处理技术 HTMLHTML 文件的文本信息预处理技术文件的文本信息预处理技术 王志琪王志琪 王永成王永成 王志琪王志琪 王永成王永成 (上海交通大学计算机科学与工程系 上海 200030 摘摘 要要 介绍了一种常用的文件类型HTML 文件的文本信息预处理技术 该方法能够解析HTML 文件的组成结构 并从中提取出主体文 摘摘 要要 本以供处理 测试表明该方法能有效地得到大部分HTML 网页的主体部分 文中对HTML 文件的解析不仅可以用于提取出HTML 文件的 主体文本 也可以用于得到HTML 文件中其他的元素的内容 具有推广应用价值 关键词关键词 HTML 文本信息 预处理 关键词关键词 Text Information Preprocessing for HTML WANG Zhiqi, WANG Yongcheng (Department of Computer Science and Engineering, Shanghai Jiaotong University, Shanghai 200030) Abstract The paper proposes a text preprocessing method for HTML. The method can parse HTML file, and extract the main part from the HTML file. The experiment shows that the method is feasible to parse HTML files. The method proposed in this paper can be used not only to extract main text of HTML files but also to get other element of HTML files. Key words HTML; Text information; Preprocessing 计算机和Internet 的普及 带来了现代社会的信息爆炸 (1) lt; 表示小于符号 每天都会有海量的信息需要处理 而在众多的信息中 文本 (2) gt; 表示大于符号 信息又占了很大的比重[1,2] 文本信息以文件的方式存放 有 (3) quot; 表示引号 很多种类型 如纯文本文件 HTML 文件及各种字处理器产