论文部分内容阅读
针对现有现有HTML网页的特点，提出了一种基于标签的Web网页的清洗技术，该方法基于HTML各种标签的特点，对修饰性等与内容无关的标签进行清洗，首先界定清洗的规则，对呵清洗的标签进行定义；然后根据清洗规则对HTML网页进行处理。本论文所提方法没有改变文档的半结构特点，使后续信息的抽取较之未改进有明显的优势。