网页正文提取方法研究.pdfVIP

下载本文档

12
0
约1.52万字
约 8页
2020-08-23 发布于浙江
举报
版权申诉

网页正文提取方法研究.pdf

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

中国科技论文在线网页正文提取方法研究 1 2 2 1* 赵明明，陶华，伏虎，李昕（1. 北京邮电大学网络与交换国家重点实验室，北京100876； 5 2. 河南省电力公司朝阳供电公司）摘要：网络成为人们获取信息的重要途径。而网页上的内容除了主题内容外，还有如广告、版权信息、欢迎信息等与主题无关的内容，如何将网页中的正文内容提取出来已经成为机器学习和数据挖掘界的一个研究热点。本文将对网页正文提取方法的研究现状做一个简要介绍，并对未来的研究工作进行展望。 10 关键词：网页正文提取；DOM树；VIPS算法中图分类号：TP301.6 Research on webpage content extraction algorithm 1 2 2 1 Zhao MingMing , Tao Hua , Fu Hu , Li Xin 15 (1. State Key Laboratory of Networking and Switching, Beijing University of Posts and Telecommunications, Beijing 100876; 2. HeNan Electronic Power Company, Xinyang Power Supply Company) Abstract: Network has become an important way for people to obtain information. The web pages contents include subject matter, in addition, there also including advertising, copyright 20 information, welcome message and other topics unrelated with the contents, how to extract the contents of Web pages out of the body has become a research focus for machine learning and data mining sector. This articleal will make a brief introduction of the gorithm research extracting the body of the page, and make prospects for future research work. Keywords: webpage content extraction; DOM tree; VIPS algorithm 25 0 引言随着Internet 的不断发展和日益扩大，Web 已经成为世界上最大的信息来源之一。Web[1] 作为信息技术的载体，已成为学习、生活、工作、娱乐，经济，政治必不可少的工具之一。 Web 的发展给人类生活带来了巨大的方便，人们可以跨越空间和时间