1、隨著互聯(lián)網(wǎng)知識(shí)數(shù)據(jù)的爆炸式增長以及內(nèi)容呈現(xiàn)形式的多樣化,特別是智能內(nèi)容識(shí)別、提取和分析等數(shù)據(jù)處理方面的要求使得網(wǎng)頁元數(shù)據(jù)采集和處理變得異常復(fù)雜。傳統(tǒng)的信息采集服務(wù)需要人工分析頁面的DOM樹結(jié)構(gòu),并不能直接抽取到具有特定要求的網(wǎng)頁元數(shù)據(jù),無法滿足人們對(duì)特定數(shù)據(jù)的需求。因此,如何自動(dòng)識(shí)別并準(zhǔn)確定位需要采集網(wǎng)頁元數(shù)據(jù)的位置變得尤為重要。
本文針對(duì)視頻網(wǎng)頁信息采集提出一種基于視覺塊識(shí)別的網(wǎng)頁元數(shù)據(jù)提取方法,以解決自動(dòng)識(shí)別定位并提取網(wǎng)頁
2、元數(shù)據(jù)的問題。論文的主要工作如下:
(1)對(duì)網(wǎng)頁信息提取技術(shù)及視覺特征進(jìn)行分析。通過研究基于DOM樹、視覺特征、文本特征三種網(wǎng)頁信息提取技術(shù),對(duì)比總結(jié)這三種技術(shù)的優(yōu)缺點(diǎn),結(jié)合本課題需要提取的視頻網(wǎng)頁信息的特點(diǎn)以及網(wǎng)絡(luò)爬蟲技術(shù),總結(jié)用戶的視覺規(guī)律設(shè)計(jì)了一種基于視覺特征的網(wǎng)頁元數(shù)據(jù)提取方法。
(2)頁面視覺塊劃分。由于當(dāng)前主流的網(wǎng)頁設(shè)計(jì)均采用DIV+CSS布局代替?zhèn)鹘y(tǒng)以
標(biāo)簽進(jìn)行布局,造成VIPS算法對(duì)當(dāng)前網(wǎng) 3、頁分塊效果不理想。本課題基于視覺DOM樹結(jié)構(gòu)和DIV+CSS網(wǎng)頁設(shè)計(jì)風(fēng)格,通過定義視覺塊提取規(guī)則和對(duì)不同DOM節(jié)點(diǎn)采用的規(guī)則組合,采用改進(jìn)的VIPS算法將網(wǎng)頁信息劃分為多個(gè)具有明確語義的視覺塊,并且對(duì)應(yīng)頁面上不同的視覺區(qū)域。
(3)視覺塊分類和基于路徑表達(dá)式的網(wǎng)頁元數(shù)據(jù)提取?;谥С窒蛄繖C(jī)分類算法和SVM Light,本課題針對(duì)視頻網(wǎng)頁元數(shù)據(jù)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(wǎng)頁元數(shù)據(jù))和無效視覺塊,
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
/ 74
- 0
- 分享
復(fù)制分享文檔地址
http://www.airport-pavements-failure.com/shtml/view-738410.html
復(fù)制
-
下載本文檔
評(píng)論
0/150
提交評(píng)論