网页正文信息抽取新方法

基于包装器的信息抽取方法只能处理一种特定的信息源，而且对网页结构的依赖性强．基于此提出了一种将中文标点符号和HTML树结构作为识别网页正文内容重要特征的网页分析方法，通过统计中文标点符号确定部分正文信息，然后根据正文信息在结构上的相似性确定其他正文信息内容．实验结果表明该方法能有效地剔除网页噪音并提取网页正文，具有较好的通用性和较高的准确性．