版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、為了方便人們的閱讀習(xí)慣、網(wǎng)頁的排版格局以及網(wǎng)站的商業(yè)目的,網(wǎng)頁中往往充斥了許多與網(wǎng)頁正文無關(guān)的內(nèi)容,如導(dǎo)航條、相關(guān)鏈接和商業(yè)廣告等信息。無關(guān)信息的存在,對網(wǎng)頁的檢索、存儲以及分類都會帶來負(fù)面的影響。如何將正文從充滿了無關(guān)信息的網(wǎng)頁中提取出來,成為對網(wǎng)頁進(jìn)行充分利用的關(guān)鍵。
網(wǎng)頁正文提取成為當(dāng)前研究的熱點(diǎn),并且,已有許多國內(nèi)外學(xué)者提出了不同的提取方法,但這些方法也存在著一些不足:基于統(tǒng)計(jì)的方法由于重點(diǎn)關(guān)注網(wǎng)頁的統(tǒng)計(jì)信息,很少利用
2、網(wǎng)頁的結(jié)構(gòu)特征,提取的準(zhǔn)確率往往不高;基于DOM的方法復(fù)雜度較高,對網(wǎng)頁的規(guī)范化要求比較嚴(yán)格,對書寫不規(guī)范的網(wǎng)頁的解析將不會徹底,有時(shí)候甚至在解析的過程中發(fā)生崩潰;基于視覺特征的提取方法盡管能滿足復(fù)雜頁面的要求,然而,由于視覺特征復(fù)雜多樣,因此,實(shí)現(xiàn)起來較為復(fù)雜。
針對上述問題,本文通過對大量網(wǎng)頁進(jìn)行研究,從網(wǎng)頁的結(jié)構(gòu)特征和內(nèi)容特征出發(fā),試圖找出一種通用的、能夠快速準(zhǔn)確的對網(wǎng)頁正文部分內(nèi)容進(jìn)行提取的方法,主要內(nèi)容包括:
3、 ?、偻ㄟ^網(wǎng)頁的URL地址從互聯(lián)網(wǎng)上下載網(wǎng)頁,將網(wǎng)頁源碼以字符串的形式保存,利用正則表達(dá)式完成對網(wǎng)頁中與正文無關(guān)的元素的過濾。分析網(wǎng)頁的結(jié)構(gòu)特征,利用HTML中的容器標(biāo)簽對網(wǎng)頁進(jìn)行線性分塊,避免了網(wǎng)頁標(biāo)簽之間的嵌套關(guān)系。
?、诶梅謮K之后各塊中文本以及標(biāo)點(diǎn)符號分布的內(nèi)容特征,將其分別劃分為文本塊與鏈接塊。其中,文本塊主要存在與網(wǎng)頁正文部分,而鏈接塊通常位于網(wǎng)頁的“噪音”部分。
?、劬W(wǎng)頁中“噪音”內(nèi)容通常是連續(xù)出現(xiàn)的,根據(jù)
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于多特征的HTML網(wǎng)頁內(nèi)容提取的研究.pdf
- 基于多特征融合的網(wǎng)頁正文提取及雙語網(wǎng)站探測.pdf
- 殼體結(jié)構(gòu)諧振特征研究與特征提取.pdf
- 面向網(wǎng)頁去看的特征提取與重復(fù)模式發(fā)現(xiàn).pdf
- 基于內(nèi)容單元的網(wǎng)頁解析與內(nèi)容提取.pdf
- 37945.flash動(dòng)畫的內(nèi)容結(jié)構(gòu)特征提取研究
- 網(wǎng)頁去噪與特征提取算法的研究及實(shí)現(xiàn).pdf
- 中文網(wǎng)頁分類特征提取算法探討.pdf
- 中文網(wǎng)頁分類特征提取方法研究.pdf
- Flash動(dòng)畫的內(nèi)容分析與特征提取研究.pdf
- 基于正文結(jié)構(gòu)和長句提取的網(wǎng)頁去重研究.pdf
- Flash組成元素的內(nèi)容特征提取與標(biāo)注研究.pdf
- 基于DOM結(jié)構(gòu)樹和特征詞的Web內(nèi)容提取研究.pdf
- 集成網(wǎng)頁質(zhì)量特征的垃圾網(wǎng)頁檢測特征模型及模型驗(yàn)證.pdf
- 排序?qū)W習(xí)中的中文網(wǎng)頁特征提取方法.pdf
- 基于內(nèi)容的圖像檢索底層特征提取.pdf
- 基于標(biāo)簽路徑特征的網(wǎng)頁正文自適應(yīng)抽取方法研究.pdf
- 基于內(nèi)容的視頻檢索特征提取方法的研究與實(shí)現(xiàn).pdf
- 基于標(biāo)點(diǎn)符號統(tǒng)計(jì)特征的中文類型網(wǎng)頁正文抽取.pdf
- 基于內(nèi)容相似性的圖像特征提取.pdf
評論
0/150
提交評論