企業(yè)做網(wǎng)站W(wǎng)eb頁面文本提取
日期 : 2021-01-29 22:55:11
Web頁面文本提取相對比較復雜, 這也正是本文研究的Web頁面自適應轉換系統(tǒng)的關鍵技術之一。對國內(nèi)外的文獻進行分析可以發(fā)現(xiàn), Web頁面的文本提取技術基本可以分為兩類:基于DOM的Web頁面文本提取技術和非基于DOM的Web頁面提取技術。通常很多研究者會采用基于DOM的Web頁面文本提取技術, 其技術發(fā)展比較成熟。
Web頁面的標簽和標簽之間、標簽和內(nèi)容之間都存在著層次關系, DOM樹是描述Web頁面結構的常用方法, DOM樹的葉子節(jié)點通常就是要提取的文本信息。因此, 通過一定的算法對Web頁面的DOM樹進行遍歷, 進行相應的篩查降噪處理之后, 可以得到目標的文本內(nèi)容。
在實際的應用過程中, 利用Web頁面解析工具進行頁面解析, 并修正其中不規(guī)范的地方, 構建Web頁面的DOM樹并進行遞歸遍歷, 識別其中的非主要文本信息, 比如廣告、圖像等內(nèi)容, 將噪聲節(jié)點移除即得到文本信息。
Web頁面的標簽和標簽之間、標簽和內(nèi)容之間都存在著層次關系, DOM樹是描述Web頁面結構的常用方法, DOM樹的葉子節(jié)點通常就是要提取的文本信息。因此, 通過一定的算法對Web頁面的DOM樹進行遍歷, 進行相應的篩查降噪處理之后, 可以得到目標的文本內(nèi)容。
在實際的應用過程中, 利用Web頁面解析工具進行頁面解析, 并修正其中不規(guī)范的地方, 構建Web頁面的DOM樹并進行遞歸遍歷, 識別其中的非主要文本信息, 比如廣告、圖像等內(nèi)容, 將噪聲節(jié)點移除即得到文本信息。
相關文章
精彩導讀
熱門資訊
