基于结构树的网页正文内容抽取方法

作者：孙明柱 魏海平结构树信息抽取网页分块

摘要：网页文本抽取是一种在互联网上运用广泛的数据挖掘技术，主要目的是把一个网页的主题内容抽取出来，为Web数据挖掘提供好的基础数据。基于网页树形结构进行改进，首先对网页进行分块，把每一块存储在树形结构当中，然后通过对所有块进行方差和阈值计算，选择出主题信息。该方法相比传统的基于正则表达式的抽取方法，具有简单、实用的特点。实验结果表明，该抽取方法准确率达到96％以上，有一定的实用价值。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社