基于平面圖的網(wǎng)頁(yè)分塊算法的研究.pdf

1、隨著網(wǎng)頁(yè)結(jié)構(gòu)的復(fù)雜化與內(nèi)容的多主題化，搜索引擎的結(jié)果越來(lái)越無(wú)法滿足人們的需求，因?yàn)榫W(wǎng)頁(yè)作為最基本的信息獲取單位已不再合適，要更準(zhǔn)確的獲取web上的信息，就必須對(duì)網(wǎng)頁(yè)進(jìn)行分塊。
　　 然而，現(xiàn)有的網(wǎng)頁(yè)分塊方法多是在DOM結(jié)構(gòu)上的啟發(fā)式方法，如VIPS(Vision basedPage Segmentation)。這種方法簡(jiǎn)單易實(shí)現(xiàn)，效率也較高，但不具有普遍適用性。另一種基于圖論的方法Graph Approach，它將網(wǎng)頁(yè)轉(zhuǎn)換成圖來(lái)

2、表示，然后對(duì)圖進(jìn)行劃分，得到劃分結(jié)果再映射到網(wǎng)頁(yè)上。該方法能夠應(yīng)用到web上所有的網(wǎng)頁(yè)，具有普遍適用性，但由于代表網(wǎng)頁(yè)的圖非常大，劃分困難，效率較低，不具實(shí)用性。
　　 針對(duì)現(xiàn)有網(wǎng)頁(yè)分塊方法不足，本文提出一種基于平面圖的網(wǎng)頁(yè)分塊算法。該算法首先將抽取網(wǎng)頁(yè)結(jié)構(gòu)和視覺(jué)信息構(gòu)造一個(gè)無(wú)向加權(quán)圖，其中圖的頂點(diǎn)是網(wǎng)頁(yè)DOM樹中的可視葉子節(jié)點(diǎn)，圖的邊為瀏覽器中顯示的節(jié)點(diǎn)位置關(guān)系。接下來(lái)通過(guò)Gomory-Hu算法對(duì)圖進(jìn)行劃分，從而實(shí)現(xiàn)網(wǎng)頁(yè)分塊。