文献类型：期刊文章

作　　者：封化民[1] 刘飚[2] 刘艳敏[3] 方勇[1] 宋国森[3]

机构地区：[1]北京电子科技学院信息安全与保密重点实验室,北京100070 [2]北京邮电大学电信工程学院,北京100876 [3]燕山大学信息工程学院,秦皇岛066004

出　　处：《清华大学学报（自然科学版）》

基　　金：国家自然科学基金资助项目(60472082);北京电子科技学院重点实验室资助项目(WEBF)

年　　份：2005

卷　　号：45

期　　号：S1

起止页码：1767-1771

语　　种：中文

收录情况：AJ、AMR、BDHX、BDHX2004、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：随着In ternet的发展,W eb上信息呈爆炸式增长趋势,呈现方式也愈发多种多样,这就给信息检索、信息提取等计算机处理带来了巨大困难。针对HTM L的半结构化特征和DOM缺乏位置信息的不足,该文提出了一种新型的W eb页面分析和内容提取框架,该框架既包括一种新型的含有位置信息的坐标树模型,还包括能反映空间关系的图模型,将HTM L文档转换为坐标树,并结合位置特征和空间关系对网页进行分析和提取内容。对来自120个网站的5 000个网页进行测试后的结果表明该方法可达到93.78%的准确率。

关 键 词：坐标树  页面结构分析  内容抽取 DOM 启发式规则

分 类 号：TP393.092]