关于网页信息抽取的论文：【摘要】提出并实现了一种基于网页文字密度的正文信息提取算法，该算法主要根据中文网页源码每行中的中文字符比例，区别正文行和非正文行，并辅助一些相关的伪源码正文块识别算法，来区别真正的正文信息和噪声信息，从而实现中文网页正文信息的提取。实验结果表明本方法切实可行并且具有较高的准确性和通用性。-About Web information extraction papers: Abstract proposed and implemented a web-based text i

统一资源定位符（URL）是网站页面的地址判别方式，也是蜘蛛抓取网站网页信息的途径。那搜索引擎蜘蛛是如何通过URL链接抓取网站页面的呢？搜索引擎工作大致分为三个阶段：爬行和抓取阶段（搜索引擎蜘蛛访问页面，并获取页面html代码存入数据库）：预处理（对页面文字进行提取、分词、消除噪音、去重 和建立索引）；排名（根据页面的相关性和网站权重高低展示给用户）。-Uniform Resource Locator (URL) address discrimination is the way web page

提取网页源码函数,提取指定部分源码及相关内容-Source function to extract pages