文献类型：期刊文献

中文题名：数据抽取中数据预处理

作者：郭东峰[1]

第一作者：郭东峰

机构：[1]新乡学院计算机与信息工程学院

第一机构：新乡学院计算机与信息工程学院

年份：2014

期号：7

起止页码：224-224

中文期刊名：电子技术与软件工程

外文期刊名：Electronic Technology & Software Engineering

语种：中文

中文关键词：噪音数据;HTML;Jtidy

摘要：在数据抽取中,网页中噪音数据的处理是关键的第一步。针对噪音数据类型以及它们在网页中的位置,对HTML语言中常见不规范问题做出分析。同时分析了在Java开发环境中借助Jtidy开源工具,对待抽取的HTML文档进行语法检测与标记修正。