基于HTML5语义化标签的Web文本提取技术  

Extracting Web Text Content Techinque Based on HTML5's new Semantic Tags

作　　者：韦佳佳[1] WEI Jia-Jia(Department of Information Engineering, Anhui Techincal College of Mechanical and Electrical, Anhui Wuhu 241002, China)

机构地区：[1]安徽机电职业技术学院信息工程系,安徽芜湖241002

出　　处：《贵阳学院学报（自然科学版）》2017年第3期25-28,共4页Journal of Guiyang University：Natural Sciences

基　　金：2015院级青年教师发展支持计划教科研项目(项目编号:2015yjjy022)

摘　　要：本文通过研究新Web标准网页的数据结构,并在信息抽取技术的基础上,提出了一种基于HTML5语义化标签的网页正文提取技术。该技术能够有效的过滤掉与网页主题无关的噪音信息,从而能有效提取有价值文本信息。On the basis of deep analysis and reasearch on the data structure of the web page and page cleanup techniques. This paper puts forward a new web page cleanup techniques based on HTML 5 structural tags. This method can effectively distinguish the Web content and noise from the subject of page, so it has a good practicality value and useful prospect.

关 键 词：网页 文本抽取 HTML5 语义化标记 

分 类 号：TP391.1[自动化与计算机技术—计算机应用技术]