询问新闻内容提取策略

Question

在做一个新闻内容提取软件.
现在的问题是读取整个页面的HTML字符串内容后,怎样分解出真正的新闻内容排除广告警告等与新闻内容无关的文字.

Answer 1

这个属于数据挖掘的范围了，如果是针对单个类型的页面，那可以在返回的HTML代码字符串中查找特征字符串

Answer 2

学一下正则表达式吧，做提取必备正则表达式30分钟入门教程
http://unibetter.com/deerchao/zhengzhe-biaodashi-jiaocheng-se.htm