摘要：Web頁面信息通常包含大量無關結(jié)構(gòu)和HTML標記，而頁面主題信息通常淹沒其中，如何快速獲取Web頁面主題信息。本文提出了一種抽取策略，首先判定是否為主題型頁面，然后提取網(wǎng)頁正文信息，最后利用正則表達式濾除內(nèi)容塊中HTML標記和無關文字。實驗結(jié)果表明：該方法能準確地完成主題型網(wǎng)頁的正文抽取任務。
注：因版權(quán)方要求，不能公開全文，如需全文，請咨詢雜志社
熱門期刊
期刊名稱：計算機光盤軟件與應用
計算機光盤軟件與應用雜志緊跟學術(shù)前沿，緊貼讀者，致力于創(chuàng)辦以創(chuàng)新、準確、實用為特色，突出綜述性、科學性、實用性，及時報道國內(nèi)外計算機技術(shù)在科研、教學、應用方面的研究成果和發(fā)展動態(tài)，為國內(nèi)計算機同行提供學術(shù)交流的平臺。堅持指導性與實用性相結(jié)合的原則，創(chuàng)辦于1998年，雜志在全國同類期刊中有很重的學術(shù)價值。
