目 录
1. 绪论........................................................................................................................................1
1.1 课题背景及目的 ..............................................................................................................1
1.2 国内外研究状况 ..............................................................................................................3
1.2.1 国内研究现状............................................................................................................3
1.2.2 国外研究现状............................................................................................................4
1.3 课题研究方法 ..................................................................................................................5
1.4 论文构成及研究内容 ......................................................................................................5
2. Web 信息抽取及网页文本对象抽取概述............................................................................7
2.1 Web 信息抽取的概念 ......................................................................................................7
2.2 Web 信息抽取的方法 ......................................................................................................8
2.3 Web 信息抽取的典型流程 ..............................................................................................9
2.4 网页文本对象抽取的理论和方法 .................................................................................11
3. 博客正文信息抽取系统的设计..........................................................................................14
3.1 博客搜索的概况 ............................................................................................................14
3.2 博客正文抽取的过程 ....................................................................................................15
3.2.1 分类..........................................................................................................................15
3.2.2 分块..........................................................................................................................18
3.2.3 统计训练，获取决策树..........................................................................................21
3.3 算法的测试和评估 ........................................................................................................24
3.4 博客正文抽取算法的意义和思考 ................................................................................25
4. 基于博客正文抽取的 Geeseek 搜索引擎..........................................................................27
4.1 Geeseek 系统介绍 ..........................................................................................................27
4.2 博客正文抽取模块 .........................................................................................................28
4.2.1 博客正文抽取模块简介..........................................................................................28
4.2.2 博客正文抽取模块的主要数据类..........................................................................29
4.2.3 博客正文抽取模块的实现思路..............................................................................30
4.3 系统展示 .........................................................................................................................33
5. 总结......................................................................................................................................36
致 谢.......................................................................................................................................37
参考文献...................................................................................................................................39
