编程作业3：网页正文抽取（10分）.pptVIP

下载本文档

1
0
约小于1千字
约 10页
2019-07-03 发布于江苏
举报
版权申诉

编程作业3：网页正文抽取（10分）.ppt

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

编程作业3：网页正文抽取（10分）任务从html文件中抽取正文锚文本（anchor text) 和对应的超链接(hyperlink) 背景介绍构建信息检索系统的第一步爬取数据：利用爬虫抓取互联网上的网页分析网页：获取文本内容（分词、进而建倒排索引）和链接（送给爬虫接着抓取新数据） … HTML网页最基本的网页是纯HTML格式文件本课程不考虑基于JavaScript等语言的动态交互式网页 HTML简介 HTML 是用来描述网页的一种语言/超文本标记语言 (Hyper?Text?Markup?Language) HTML 是一种标记语言?(markup language)，由一套标记标签?(markup tag)构成 HTML详细介绍 /html/ HTML网页介绍锚文本，超链接不可见网页正常显示下，所有可以看到的内容称为“正文” HTML网页介绍锚文本超链接查看网页HTML源代码输入：1.html html head … title网页题目/title … /head body 正文 … a href=“/a.html”锚文本/a … /body /html 输出:1.txt 输出如下，由三部分构成： title: 网页题目 body: 正文：网页正常显示时看到的所有内容（不考虑横线等格式信息，连续的空行压缩为一个空行） link: 锚文本a /a.html 锚文本b /a.html … 测试样例（请测试）网页1：1.html 输出：对应的文本内容和链接网页2：2.html 输出：对应的文本内容和链接提交要求必须有readme.txt文件说明如何编译代码和如何进行测试系统输出格式要符合要求输入/输出格式要简单明了，容易操作