基于HTMLParser的教育网站页面内容自动抽取策略

摘要

随着网络技术的发展,互联网上的信息量激增,如何从这些海量的信息中获取有用和有效的资源,成为自动化技术亟待解决的一个问题。例如链接,图片,标题,文本信息等,而HTML语言所表述的Web页面经浏览器分析后只能用来浏览而不能作为一种数据交互的方式由机器处理。本文介绍了HT-MLParser的工作原理和iava正则表达式相关知识,采用基于标签的方法和HTMLParser包,设计了互联网教育资源信息抽取方案,阐述了教育资源抽取方案的工作原理和关键技术,并详细介绍了网页节点的解析,过滤,以及方案的具体实现。