基于标记树的Web页面区域划分和搜索方法

摘要

Web页面的布局可以分为:主要内容、单位标识、导航信息、交互信息和版权申明.我们在处理这些页面时往往只关心主要内容,而且可以从语义上快速定位到主要内容,但是软件系统要做到这一点就非常困难.本文提出一种基于标记树的Web页面区域划分和搜索方法,让软件系统可以忽略别的区域,快速定位到主要内容.对于大量Web页面处理而言,这种方法可以起到减少时间,缩小空间的作用,Web页面越多,效果就越显著.