论文部分内容阅读
Web页面中的主题信息一般分布比较集中，可利用网页的这一特性进行网页主题信息的自动提取。网页源代码中的HTML标签不规范，使得正向匹配难以生成嵌套结构准确的DOM树，该文提出一种通过逆向匹配的方法，构建完整的网页源代码DOM树。通过对DoM树进行剪枝，删除无关节点，对保留下来的信息决的节点标签进行人工选择与唯一性判定，从而生成提取模板。该方法能够实现对电子商务网站源网页中的主题信息进行提取，是一种半自动、通用的方法，可用于信息检索系统中的信息采集。