Web邮件信息块提取技术研究

李盈润

摘 要：在对大量Web邮件页面模式分析的基础上，对页面进行分块，并根據信息块的结构与内容属性，实现主题信息块和主题相关信息信息块的析取，对邮件信息的自动获取和邮件下载系统的设计与开发具有重要意义。

关键词：多策略；页面分块；信息提取；邮件下载系统

Web邮件信息析取主要包括页面、信息块和邮件详细信息的提取。本文主要介绍邮件信息块提取的方法。

1 基于多策略的页面分块方法

基于多策略的页面分块方法是Web邮件信息自动析取技术研究的重要组成部分，它的主要工作是根据Web页面排版的不同模式实现Web邮件网站的导航页面，列表页面及内容页面的信息合理划分，为主题信息块的提取做好准备。

基于多策略的页面分块方法的关键思想描述如下：

策略1：不同页面排版类型采用不同的划分方法。

Web邮件页面的排版模式主要分为混合型和框架型。对于框架型页面进行分块的关键在于框架的识别和主题框架的提取，在此基础上根据提取的主题框架URL提交访问请求并获取框架内的文档进行下一轮页面分块。框架通使用