基于分块的网页内容提取算法的研究  

作　　者：杨丽萍[1] 

机构地区：[1]三江学院,江苏南京210012

出　　处：《数字技术与应用》2012年第12期99-100,102,共3页Digital Technology & Application

摘　　要：目前针对于网页分块的正文提取方法很多。一些学者提出,利用标签的数量来判断目标网页采用何种标签对网页进行结构布局,然后针对某一单一标签,对网页进行分块,这种方法针对与大多数利用标准化XHTML排版的网页是可行的,但是对于很多利用松散标准的HTML网页,其排版布局的标签分布不均,很难准确的提取正文内容;利用预先设置的搜索窗口,准确的分离正文段落和相邻的非正文段落。

关 键 词：网页正文提取 分块 网页标题 网页 

分 类 号：TP301.6[自动化与计算机技术—计算机系统结构]