1、隨著互聯(lián)網知識數據的爆炸式增長以及內容呈現(xiàn)形式的多樣化，特別是智能內容識別、提取和分析等數據處理方面的要求使得網頁元數據采集和處理變得異常復雜。傳統(tǒng)的信息采集服務需要人工分析頁面的DOM樹結構，并不能直接抽取到具有特定要求的網頁元數據，無法滿足人們對特定數據的需求。因此，如何自動識別并準確定位需要采集網頁元數據的位置變得尤為重要。
　　本文針對視頻網頁信息采集提出一種基于視覺塊識別的網頁元數據提取方法，以解決自動識別定位并提取網頁

2、元數據的問題。論文的主要工作如下:
　　(1)對網頁信息提取技術及視覺特征進行分析。通過研究基于DOM樹、視覺特征、文本特征三種網頁信息提取技術，對比總結這三種技術的優(yōu)缺點，結合本課題需要提取的視頻網頁信息的特點以及網絡爬蟲技術，總結用戶的視覺規(guī)律設計了一種基于視覺特征的網頁元數據提取方法。
　　(2)頁面視覺塊劃分。由于當前主流的網頁設計均采用DIV+CSS布局代替?zhèn)鹘y(tǒng)以

3、頁分塊效果不理想。本課題基于視覺DOM樹結構和DIV+CSS網頁設計風格，通過定義視覺塊提取規(guī)則和對不同DOM節(jié)點采用的規(guī)則組合，采用改進的VIPS算法將網頁信息劃分為多個具有明確語義的視覺塊，并且對應頁面上不同的視覺區(qū)域。
　　(3)視覺塊分類和基于路徑表達式的網頁元數據提取?；谥С窒蛄繖C分類算法和SVM Light，本課題針對視頻網頁元數據的特征制定特定的特征值提取規(guī)則，將視覺塊劃分為有效視覺塊（即網頁元數據）和無效視覺塊，