计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (30): 148-151.
李 蕾1,2,王劲林1,白 鹤1,2,胡晶晶1,2
LI Lei1,2,WANG Jin-lin1,BAI He1,2,HU Jing-jing1,2
摘要: 主要研究“正文式”网页的有效信息提取算法。该种底层网页真正含有Web页面所表达的主题信息,通常包含一大段的正文信息,正文信息的前后是一些格式信息(例如导航信息、交互信息、JavaScript脚本等)。分析了此种网页的页面结构特征,将问题转化为——给定一个底层网页的HTML源文件,求解最佳的正文区间;从而提出了一种基于快速傅立叶变换的网页正文内容提取算法。采用窗口分段的方法,利用统计学原理和FFT,得出每个可能区间的权值,从而求解出最佳正文区间。实验结果表明,此种方法能比较准确的对“正文式”网页的有效信息进行提取。