基于標簽的信息抽取預處理算法

范春曉 和曉軍 李淑云

[摘 要]針對現有現有HTML網頁的特點,提出了一種基于標簽的Web 網頁的清洗技術,該方法基于HTML各種標簽的特點,對修飾性等與內容無關的標簽進行清洗,首先界定清洗的規則,對可清洗的標簽進行定義;然后根據清洗規則對HTML網頁進行處理。本論文所提方法沒有改變文檔的半結構特點,使后續信息的抽取較之未改進有明顯的優勢。