基于分块的网页主题文本抽取 (2009年)

根据网页文本信息的结构和内容特征，提出一种网页主题文本信息的抽取策略，将网页文档表示为 DOM标签树的形式，然后根据Web页面的结构特征进行内容块的分割，以网页的文本内容特征为依据识别链接型和主题型内容块，并提取主题型网页的文本信息块。实验结果表明：基于分块的方法有效地实现了链接型和主题型网页的分类，并准确地完成主题型网页的文本信息块的抽取任务，是一种简单、准确的网页信息抽取方法。