【文件属性】：
文件名称：基于行块分布函数的通用网页正文抽取
文件大小：1.01MB
文件格式：PDF
更新时间：2020-12-14 04:14:15
正文抽取
对于 Web 信息检索来说，网页正文抽取是后续处理的关键。虽然使用正则
表达式可以准确的抽取某一固定格式的页面，但面对形形色色的 HTML，使用规
则处理难免捉襟见肘。
能不能高效、准确的将一个页面的正文抽取出来，并做到在大规模网页范围
内通用，这是一个直接关系上层应用的难题。