HTML文件的文本信息预处理技术

Text Information Preprocessing for HTML

介绍了一种常用的文件类型HTML文件的文本信息预处理技术。该方法能够解析HTML文件的组成结构,并从中提取出主体文本以供处理。测试表明该方法能有效地得到大部分HTML网页的主体部分。文中对HTML文件的解析不仅可以用于提取出HTML文件的主体文本,也可以用于得到HTML文件中其他的元素的内容,具有推广应用价值。

The paper proposes a text preprocessing method for HTML. The method can parse HTML file, and extract the main part from the HTML file, The experiment shows that the method is feasible to parse HTML, files. The method proposed in this paper can be used not only to extract main text of HTML files but also to get other element of HTML files.