Web頁面中結構化數據抽取的實現與應用.pdf

1、萬維網的飛速發(fā)展使得Web中存在的各種結構化數據信息數量與日俱增。然而，Web中可訪問到的海量的結構化數據信息大都以半結構化的html網頁文檔形式出現，很難被各種應用程序直接獲取和使用。因此，旨在實現自動獲取html網頁中結構化數據的Web信息抽取技術已經成為當今的一個研究熱點。目前，已經有大量針對Web信息抽取的研究，并且出現了許多基于不同原理的Web信息抽取技術。 本文主要研究并提出了兩種能夠處理特定類型網頁的Web信息抽取

2、方法： 第一種方法用來處理相同模板生成的網頁。它以一組同模板生成的網頁為輸入，自動推斷網頁的生成模板，并利用獲取的模板生成相應的網頁包裝器，實現同模板網頁中的結構化數據抽取。其中算法EXALG_tju基于EXALG算法的核心思想，利用html文檔的樹形結構對網頁模板進行逐層推斷。 第二種方法主要處理網頁中含有的某一專業(yè)領域中的特定半結構化文本。它根據指定文本的特征而制定規(guī)則，并使用規(guī)則和特定字典來獲取文本中含有的結構化數