搜索引擎技术 [加入]

推荐一篇文章介绍HTML内容萃取

发表时间：2007-08-15 19:33:18 楼主：zdg

赖勇浩翻译的 "从HTML文件中抽取正文的简单方案"
http://blog.csdn.net/lanphaday/archive/2007/08/13/1741185.aspx

HTML内容萃取是搜索引擎最基本的模块，不知道各位有没有其他好的参考文献？

发表时间：2007-09-20 21:47:43 1 楼：splade

这么好的一个连接怎么就没人回呢!

发表时间：2007-09-21 09:27:18 2 楼：xsc2001

这种方法只能当作一个参考，理论性太强，不一定有效，网页正文的提取应该是对网页html代码进行完全地解析，对各元素坐标化，通过判断大段文字出现的坐标位置找到正文元素的父元素，再对找到的元素通过距离进行进一步排除，最后输出元素的内容。这种方法比较实用而且准确率比较高，通用性也比较强。

发表时间：2008-07-30 09:36:02 3 楼：mirrorzhao