HTMLParser抽取Web网页正文信息.doc

提取网页主题相关内容

一般在浏览Web上的网页时会发现两部分内容：一部分是网页的主题信息，另一部分则是与主题内容无关的导航条、广告信息、版权信息等内容，我们称之为“噪音”内容。通过提取主题信息可以减少一半浏览时间，提高用户获取信息的速度，从而增强Web的可用性。那么如何准确、有效的获取Web网页的主题信息呢？下面给出了一种解决方案。

一、 解析html

HTMLParser是一个对现有的HTML进行分析的快速实时的解析器,首先从( http://HTMLP zip解压缩得htmlparser.jar,将htmlparser.jar添加到classpath中,并在程序中引入相应的HTMLParser包。类Parser是HTMLParser的入口,将HTML文本信息传给它,或者直接传递一个URL地址,如:Parser parser = new Parser(“”);初始化一个Parser实例parser后,紧接着就是对所传入的HTML内容进行解析,方法parser.extractAllNodesThatAre (XXXTag.class)将HTML内容中存在的所有的标签XXXTag给解析出来放到一个列表list中去,几乎HTML的标签都有一个对应的类,比如LinkTag、ImageTag、FormTag、TableTag等等,这些标签类都在org.htmlparsertags包中。根据要处理不同的标签传入不同的类,这种做法可以很方便地处理其他类型的标签。返回的列表中每个元素都是传入类的一个实例,通过这个实例可以访问到当前这个标签的起始位置、结束标签的位置以及包含在标签中的文本信息,同时也可以访问其父标签以及所有的子标签等等,同时可以通过toHtml方法来对标签中包含的HTML信息进行清洗,HTMLParser会自动把一些没有关闭的标签加上,这样所生成的字符串中就包含着完整的格式控制信息,在页面上显示这样的信息也不会破坏版面布局,达到了预期的效果。
例如：有如下不规范的html文件(有未关闭标签)

通过节点的toHtml（）方法补全标签

补全了没有关闭的标签

本系统采用先读取html文件并将其转换为字符串htmlString:
String htmlString = readHtmlFile(file);
然后将其作为Parser对象的构造参数:
Parser parser = Parser.createParser(htmlString,”gb2312”);
然后结合过滤器过滤出需要的标签节点。

二、 过滤器

一般主题信息包含在下列标签中：Filter[] filters = new NodeFilters[3];
filters[0] = new NodeClassFilter(TableTag.class);
filters[1] = new NodeClassFilter(ParagraphTag.class);
filters[2] = new NodeClassFilter(Div.class);
NodeFilter filter = new OrFilter(filters);
NodeList list = parser.extractAllNodesThatMatch(filter);
OrFilter是结合几种过滤条件的‘或’过滤器。通过以上代码就可以过滤得到所有的t>或内嵌链接中文字符总数的最小值。一般情况下，若wordsNum= L时，且wordsNum >= words_min时，此时并不能说明该块就是主题相关的。它只能说明该块是局部相关的。原因基于如下观察：
a、 一些局部相关度大的块，例如一些与主题无关的广告内容，它们可能没有链接或包含较少的链接，因此它们可能LocalRel >= L，且wordsNum >= words_min。
b、 即使wordsNum <= words_min，也不能判断它是主题无关的。因为一些小信息量的主题内容，如正文的标题或正文中的小信息
因此还要通过它前后的兄弟节点的主题相关性来判定是否主题相关。本系统对已经知道要定位的表格信息存在于关于我们      便捷服务       自信AI       AI导航        抽奖活动©2010-2025 宁波自信网络信息技术有限公司  版权所有客服电话：[phone]  投诉电话：[phone]浙公网安备33021202000488号   浙ICP备2021020529号-1  |  浙B2-20240490  关注我们 ：