Web页面自顶向下的正文信息定位算法.pdfVIP

第36卷第13期 计算机工程 2010年7月 2010 VoL36No．13 ComputerEngineering July 文章编号：l∞o-3428(20lo)13—帅7扣mA TP311 ·软件技术与数据库· 文献标识码l 中田分类号l Web页面自顶向下的正文信息定位算法 参纛，邱会中 (电子科技大学计算机科学与工程学院，成都610054) 冀蔓：正文信息是一个Web网页中除了链接、导航、广告等以外的主题信息。提m并实现一种针对含“正文”的Web页面的信息提取 算法。该算法采用自顶向F遍历HTML标签树的方法，通过文字链接率、连续文字长度等统计数据不断筛选、分析，从丽定位最佳正文信 息域，将文字内容提取出来。实验结果表明，该算法可行性强，具有较商的准确率。 关健诃：正文信息定位；文字链接率；最佳正文子树；标签树 Web ContentInformationLocalization PageTop--down Algorithm MIAO Lin，QIUHui-zhong Scienceand ofElectronicScienceand (CollegeofComputer Engineering，University TechnologyofChina，Chengdu610054) informationisthe informationofaWeb andSOon．This [Abstract]Contenttopic pageexcludinglinks，navigations，advertisementpaperpropo辩s all Web a of treeofWeb and informationextraction content HTML implements algorithmincluding page．Bytakingtop-downtraversing tag page and thestatisticswithinliketextlinkrateandcontinuoustext carllocatethebestcontentinformationand continuouslyanalyzing length，it region the extractthetext resultsshow and rateofthe content．Experimentalhighfeasibilityaccuracy algorithm． information link contentsub tree [Keywords]contentlocalization；textrate；best tree；tag l概述 链接与图片，称这类包含了正文信息的网页为主题型网页。 21世纪以来，互联网技术蓬勃发展，网站数量与网页总 在这样的网页中，无关内容可能遍布在其中的每一个角落， 数逐