基于内容单元的网页解析与内容提取
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-19页 |
| ·课题背景 | 第9页 |
| ·课题的目的及意义 | 第9-11页 |
| ·国内外相关技术发展现状 | 第11-17页 |
| ·搜索引擎技术研究现状 | 第11-14页 |
| ·网页处理技术研究现状 | 第14-17页 |
| ·本文主要研究内容 | 第17-19页 |
| 第2章 网页处理相关技术介绍 | 第19-32页 |
| ·引言 | 第19页 |
| ·网页的表示 | 第19-25页 |
| ·超文本标记语言HTML | 第19-22页 |
| ·文档对象模型 DOM | 第22-23页 |
| ·网页字符编码 | 第23-25页 |
| ·网页分块方法 | 第25-28页 |
| ·利用标记分布规律进行分块 | 第25-26页 |
| ·利用标记布局特性进行分块 | 第26-27页 |
| ·利用页面视觉特征进行分块 | 第27-28页 |
| ·SEWM评测任务 | 第28-30页 |
| ·本章小结 | 第30-32页 |
| 第3章 基于内容单元的网页解析 | 第32-43页 |
| ·引言 | 第32页 |
| ·内容单元的定义 | 第32-33页 |
| ·内容单元的类别 | 第33-36页 |
| ·内容单元解析的实现 | 第36-42页 |
| ·DOM解析工具及改进 | 第36-38页 |
| ·URL的语法解析 | 第38-39页 |
| ·内容单元的识别 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第4章 网页内容提取 | 第43-51页 |
| ·引言 | 第43页 |
| ·网页类型判断 | 第43-46页 |
| ·网页特征分析 | 第43-45页 |
| ·判定规则 | 第45-46页 |
| ·基于规则的正文提取 | 第46-47页 |
| ·网页信息抽取 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第5章 Inar搜索引擎预处理模块的设计与实现 | 第51-59页 |
| ·引言 | 第51页 |
| ·数据规模及组织形式 | 第51-52页 |
| ·网页字符编码预处理 | 第52-56页 |
| ·编码识别 | 第52-54页 |
| ·编码转换 | 第54-56页 |
| ·并行净化程序 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第6章 系统性能评测 | 第59-68页 |
| ·引言 | 第59页 |
| ·实验环境 | 第59-60页 |
| ·功能测试 | 第60-65页 |
| ·主题型网页识别实验 | 第60-62页 |
| ·网页正文提取实验 | 第62-65页 |
| ·应用测试 | 第65-66页 |
| ·效率测试 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 结论 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读学位期间发表的学术论文 | 第72-75页 |
| 致谢 | 第75页 |
