应用聚类技术分类提取Web页面.docVIP

应用聚类技术分类提取Web页面 　　摘要:针对Web中数据密集型的动态页面,文本数据少,网页结构化程度高的特点,介绍了一种基于HTML结构的web信息提取方法。该方法先将去噪处理后的Web页面进行解析,然后根据树编辑距离计算页面之间的相似度,对页面进行聚类,再对每一类簇生成相应的提取规则,对Web页面进行数据提取。 　　关键词:Web信息提取;树编辑距离;聚类;提取规则 　　中图分类号:TP391文献标识码:A文章编号:1009-3044(2010)01-212-02 　　Application of Clustering Technology Category Extraction Web Pages 　　CUI Hui-chao, LIU Li 　　(Southwest Jiaotong University, College of Information Science and Technology, Chengdu 610031, China) 　　Abstract: According to the characteristic of data-intensive dynamic web pages, insufficient text data and page structure with a high degree in web, this paper