摘要： 【目的/意义】为给数字出版知识服务系统提供高质量的文本语料以供知识抽取，本文提出了基于标签样式 和密度模型来抽取网页正文的方法。【方法/过程】该方法先根据标签样式将网页文本进行分块，再根据各块文本内 容的文本密度、标点密度、非超链接密度计算出综合密度，最后通过阈值判断抽取出网页中信息含量高的正文。【结 果/结论】该方法简单高效无需人工编写规则或训练，能完整地抽取出网页正文。通过随机选取新闻网页进行实 验，结果表明该方法能有效地自动抽取网页正文，适用于不同设计风格的网站，而且准确率和召回率优于基于统计 的 CEPR抽取方法。
