论文部分内容阅读
针对网页噪音和网页非结构化信息抽取复杂度高的问题，提出一种基于标签路径聚类的文本信息抽取算法。对网页噪音进行预处理，根据网页的文档对象模型树结构进行标签路径聚类，通过自动训练的阈值和网页分割算法快速判定网页的关键部分，根据数据块中的嵌套结构获取网页文本抽取模板。对不同类型网站的实验结果表明，该算法运行速度快、准确度高。