

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、隨著Internet的飛速發(fā)展,互聯(lián)網(wǎng)上的數(shù)據(jù)量呈爆炸性增長,使得Web已經(jīng)成為全球信息傳播與共享的重要渠道,而網(wǎng)頁固有的半結構性以及網(wǎng)絡上存在大量的與網(wǎng)頁主題無關的信息,使人們無法快速準確的獲得所需要的信息。這種情況下,研究如何從Web中抽取出人們所需要的信息已經(jīng)變得越來越重要。
國內外學者在這方面已經(jīng)有了大量的研究。然而通過對現(xiàn)有Web信息抽取方法和當前Web網(wǎng)頁特點的分析,發(fā)現(xiàn)現(xiàn)有抽取技術存在自動化程度不夠和抽取結果不準
2、確的問題。為了彌補以上的兩個不足,本文提出了一種基于頁面主體提取的Web信息抽取方法,主要包括頁面預處理、頁面主體提取、抽取規(guī)則生成、信息抽取四個模塊。頁面預處理模塊利用JTidy完成對HTML標簽的格式化,以及頁面中一些與主題無關內容的去除。頁面主體提取模塊使用HTMLParser對頁面進行解析,得到與Web頁面對應的結構樹,然后分析結構樹,使用基于MMTD的算法識別出頁面的主體部分。而抽取規(guī)則生成模塊則使用了XPATH和XSLT,針
3、對頁面主體生成一類頁面的抽取規(guī)則。信息抽取模塊將抽取規(guī)則運用于待抽取頁面便得到我們需要的信息,并將其存入數(shù)據(jù)庫,以方便人們查找并使用。在以上的處理過程中,Web信息的抽取是在頁面主體提取的基礎上完成的,這也是說此方法是基于頁面主體提取的原因。
本文提出的方法屬于自動的信息抽取,整個抽取過程幾乎完全不需要人工參與,與已有研究相比,自動化程度較高;且利用了強大而靈活的XPATH和XSLT使得規(guī)則生成的過程大大簡化,同時提高了抽取方
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,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- Web頁面用戶評論信息抽取技術研究.pdf
- 基于模板的Web頁面信息提取技術研究.pdf
- 面向信息抽取的Web頁面結構挖掘技術研究.pdf
- 基于視覺特征的WEB頁面信息抽取技術的研究.pdf
- 基于Web的信息抽取技術研究.pdf
- 基于頁面分塊的論壇信息抽取技術研究.pdf
- 基于信息熵的Web信息抽取技術研究.pdf
- 基于視覺特征的Web頁面信息抽取算法.pdf
- 基于語義的web信息抽取技術研究
- 基于語義的Web信息抽取技術研究.pdf
- 基于REIE的Web信息抽取技術研究.pdf
- 基于reie的web信息抽取技術研究(1)
- 基于網(wǎng)頁分塊的Web信息抽取技術研究.pdf
- 基于HTML的WEB就業(yè)信息抽取技術研究.pdf
- 動態(tài)頁面的web信息抽取方法研究.pdf
- 基于本體的Web頁面結構化信息抽取.pdf
- Web信息抽取框架技術研究.pdf
- Web信息抽取技術研究與基于Web service的實現(xiàn).pdf
- 基于樹形結構的Web信息抽取技術研究.pdf
- 基于框架語義標注的Web信息抽取技術研究.pdf
評論
0/150
提交評論