网页正文提取中与正文无关的图像清除技术.pdfVIP

计 算 机 技 术 与 发 展 V(1 第 2O卷 第 期 ． 20 No．7 ． 2010年 7月 COMPUTERTECHNOLOGYANDDEVELOPMENT Ju1． 2010 网页正文提取中与正文无关的图像清除技术 常红要，朱征宇 (重庆大学 计算机学院，重庆 400044) 摘 要 ：因为图像相比文字具有更强的表现力，站点的设计者在设计广告时考虑的首要问题是如何吸引用户的 “眼球”，所 以通常网页中的广告通常都是 以图像的形式嵌入到网页中。这使得在 HTML网页正文提取中主要处理的就是广告 图像。 文中综合分析了网页中图像的特点，提出了区域分块的HTML元素删除法来清除网页中的广告等无关图像并提取网页正 文。实验结果表明，所提出的区域分块的ITIML元素删除法很好地解决了网页正文提取中图像处理问题。 关键词 ：吸引；嵌入；广告图像 ；区域分块 ；元素删除法 中图分类号 ：TP391．4 文献标识码 ：A 文章编号 ：1673—629X(2010)07—0017一O4 HTM L TextExtractionBasedon IndependentImage LinksRemovalTechnique CHANG Hong—yao，ZHU Zheng—yu ~CollegeofComputer，ChongqingUniversity，Chongqing400044，China) Abstract：Becausetheimageshaveastrongerthanexpressivewriting ，thesitedesignersinthedesing ofadsmostimportantissuetocon- siderishow toattracttheuser’s“eye”，itisusuallythepagetheadsareusuallyintheform ofimagesembeddedinwebpages．This makes thebodyoftheHTMLpageisprimarilyconcernedwiththeextractionofadvertisingimages．Thispapernaalyzestheeharacteris- ticsoftheimageinawebpagenadputforwardaregionalblockoftTFML elementstodeletemethodtoremovetheadvertiesments，web pages unrelatedtotheimageandextractthebodyofthepage．Experimentedresultsshow thattheproposedsub—blockofFrIMIele— mentsintheregiontodeletemethodsolves thebodyofthewebpageextractionofimageprocessingproblems． Keywords：attraction；embedding；advertisingimages；regionalsub—block；elementdeletemethod O 引 言 的可用性。Web网页正文内容提取技术 己经成为 当 准确提取出网页的主题内容已经成为一个非常重 前信息领域的研究热点之一 。web网页正文内容提 要而有意义的研究方 向。随着万维网的飞速发展