基于網(wǎng)頁(yè)的語(yǔ)料庫(kù)自動(dòng)生成

　　摘要：網(wǎng)頁(yè)文本信息的抽取是網(wǎng)絡(luò)信息搜索的重要組成部分，通過網(wǎng)頁(yè)文本抽取生成完備精簡(jiǎn)的語(yǔ)料庫(kù)對(duì)網(wǎng)頁(yè)信息的分析起著至關(guān)重要的作用。目前網(wǎng)頁(yè)解析的技術(shù)有很多，常用的技術(shù)有基于正則表達(dá)式的靜態(tài)網(wǎng)頁(yè)文本抽取，基于HTML文件流分析的靜態(tài)文本解析，基于DoM樹的動(dòng)態(tài)網(wǎng)頁(yè)分析和基于sAx的動(dòng)態(tài)網(wǎng)頁(yè)分析。
　　關(guān)鍵詞：網(wǎng)頁(yè)；抽?。赫Z(yǔ)料庫(kù)
　　中圖分類號(hào)：TP393　文獻(xiàn)標(biāo)識(shí)碼：A　文章編號(hào)：1009－3044(2010)23－6438－