一种web主题文本通用提取方法

？为构建大规模中文文本语料库，提出了一种简单、有效、通用的中文web主题文本提取方法。该方法巧妙地利用中文文本长度和标点符号序列，配合少量判别规则，便可准确地将主题文本从网页中提取出来。由于本方法不涉及具体的html标记分析，其通用性较强。实验结果表明该提取方法具有快速性和准确性，达到了构建大规模中文文本语料库的要求。