论坛正文内容提取通用方法的研究

范媚琳 司明皎 孟媛

DOI：10.19392/j.cnki.16717341.201714071

摘要：本文提出了一种新颖的通用论坛信息的提取算法。针对标题，利用论坛标题与网页标题相同这一特征提取。针对回帖模块的定位，我们提出了一种称为基于相似性度量和最低公共父节点的边界确定（BDBSL）的算法。针对回帖内容的提取，我们利用该标签所采用的css样式绝大多数都含有minheight属性这一特点进行提取。针对主题帖，利用主题帖独有的分享模块进行单独提取。

关键词：论坛正文提取；BDBSL算法；dom树；html

1 标题的提取

通过查看网页的源代码我们发现，论坛标题总是用来做网页标题，而网页的标题在标签下面的