論壇正文內(nèi)容提取通用方法的研究

范媚琳 司明皎 孟媛

DOI：10.19392/j.cnki.16717341.201714071

摘要：本文提出了一種新穎的通用論壇信息的提取算法。針對標(biāo)題，利用論壇標(biāo)題與網(wǎng)頁標(biāo)題相同這一特征提取。針對回帖模塊的定位，我們提出了一種稱為基于相似性度量和最低公共父節(jié)點(diǎn)的邊界確定（BDBSL）的算法。針對回帖內(nèi)容的提取，我們利用該標(biāo)簽所采用的css樣式絕大多數(shù)都含有minheight屬性這一特點(diǎn)進(jìn)行提取。針對主題帖，利用主題帖獨(dú)有的分享模塊進(jìn)行單獨(dú)提取。

關(guān)鍵詞：論壇正文提取；BDBSL算法；dom樹；html

1 標(biāo)題的提取

通過查看網(wǎng)頁的源代碼我們發(fā)現(xiàn)，論壇標(biāo)題總是用來做網(wǎng)頁標(biāo)題，而網(wǎng)頁的標(biāo)題在標(biāo)簽下面的