樹匹配算法在網頁分類中的應用

1 文檔對象模型

HTML文檔是由網頁內容和大量用于布局網頁內容顯示效果的標簽組成。處理網頁時，W3C的文檔對象模型應用編程接口將網頁解析成文檔對象模型樹。DOM是由W3C制定的一種獨立于平臺和具體編程語言的API接口標準。把HTML文檔組織成樹結構，通過對樹中各節點的操作來完成對HTML文檔的操作。DOM樹中基本構成單位為節點。節點對象通過逐層間的嵌套關系形成一棵DOM樹，節點內部包含了網頁的內容信息。在將網頁解析為抽象的節點樹后，就可以利用樹匹配算法計算網頁間的相似度。