HTML文件的文本信息预处理技术

被引：12

作者：

王志琪

王永成

机构：

[1] 上海交通大学计算机科学与工程系

来源：

计算机工程 | 2006年 / 05期

关键词：

HTML; 文本信息; 预处理;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

081203 ; 0835 ;

摘要：

介绍了一种常用的文件类型HTML文件的文本信息预处理技术。该方法能够解析HTML文件的组成结构,并从中提取出主体文本以供处理。测试表明该方法能有效地得到大部分HTML网页的主体部分。文中对HTML文件的解析不仅可以用于提取出HTML文件的主体文本,也可以用于得到HTML文件中其他的元素的内容,具有推广应用价值。

引用

页码：46 / 48+67 +67

页数：4