一种基于DOM树的Web信息提取方法

摘要

在Web信息提取技术中，有一种方法是基于HTML结构的信息提取。这种方法的关键是识别出HTML页面的组织模式，用某种合适的模型来建模以进行信息提取工作。本文以此为基础利用Document Object Model (DOM)[1]树建立网页的结构模型，给出了一个基于树的算法，使用htrrdparser1工具确定查询返回页面中的有效信息区域并提取出有效数据。开发了一个简单的应用此算法的系统，经试验，此算法针对符合HTML语法规范的页面具有很高的正确率。