基于标签和分块特征的新闻网页关键信息自动抽取方法

摘要

一种基于标签和分块特征的新闻网页关键信息自动抽取方法，步骤如下：输入欲抽取新闻站点栏目的统一资源定位符(Uniform resource locator，URL)；生成目标链接样式正则表达式；下载新闻站点栏目URL对应的网页源代码；提取网页中所有链接，通过新闻链接样式正则表达式过滤出得到新闻链接；将上一步骤得到的新闻链接插入到待抽取的新闻页面URL队列；下载新闻页面URL对应的网页源代码，包括基于标签与分块特征的正文块抽取算法，基于编辑距离的新闻标题抽取，基于分块特征的新闻时间、来源抽取。本发明能够精确抽取新闻关键信息、最大化地减少抽取模板的制作和维护的工作量。