本数据集用于训练新闻网页内容抽取的机器学习模型，其中的数据来源于以下几个网站的新闻：
- economy.caijing.com.cn
- news.hexun.com
- www.eeo.com.cn
- www.nbd.com.cn
- finance.people.com.cn
- new.qq.com
- finance.sina.com.cn
- money.163.com
- www.xinhuanet.com
- www.yicai.com
| Domains | Pages | Nodes | Clean | Dirty |
|---|---|---|---|---|
| economy.caijing.com.cn | 102 | 11782 | 2060 | 9722 |
| news.hexun.com | 103 | 6074 | 2162 | 3912 |
| www.eeo.com.cn | 102 | 7166 | 2437 | 4729 |
| www.nbd.com.cn | 146 | 4873 | 1651 | 3222 |
| finance.people.com.cn | 107 | 6230 | 1585 | 4645 |
| new.qq.com | 103 | 2274 | 2118 | 156 |
| finance.sina.com.cn | 108 | 8332 | 2497 | 5835 |
| money.163.com | 115 | 19425 | 2139 | 17286 |
| www.xinhuanet.com | 102 | 5515 | 750 | 4765 |
| www.yicai.com | 105 | 6423 | 1962 | 4461 |
| Total | 1093 | 78094 | 19361 | 58733 |
Pages是网页的数量，Nodes是数据预处理后得到的html节点数量，Clean是干净的节点数量（包含正文的节点），Dirty是噪声节点数量（不包含正文的节点）
- source_html: 存放的是每个网站的原始的HTML文件
- label_content: 存放的是人工标注的HTML对应的新闻内容
- website_data: 数据清洗和特征抽取后的数据集（每个网站的数据存储在不同的csv文件中）
- test_data.csv和train_data.csv：数据清洗和特征抽取后所有网站的混合在一起的数据集