网页信息自动抽取技术的研究

摘要

在网络舆情分析中,经常要从大量的网页信息中抽取出有用的数据.但一般的网页信息抽取技术都是基于对HTML文档的分析.本文提出网页信息自动抽取的方法,可以滤除网页噪声,快速准确地获取所需要的网页信息.该方法首先将HTML转换为结构化的XML文档,然后结合DOM4J和XPath语言建立网页解析模板库,最后根据模板的抽取规则对网页信息进行抽取.实验证明,该方法具有较高的回召率和查准率.