基于XML的網(wǎng)頁信息抽取.pdf

1、隨著互聯(lián)網(wǎng)的迅猛發(fā)展,"信息過載"已經(jīng)成為一個亟待解決的問題.為了使用戶準確獲取他想要的信息,信息抽取成為必要.從網(wǎng)頁中抽取信息的程序稱為Wrapper.關(guān)鍵的任務是:Wrapper的構(gòu)造要盡可能快速,不需要過多人為地參與,并且,構(gòu)造出的Wrapper要盡可能健壯,能適應網(wǎng)頁的變化,同時,還要盡可能通用,與具體網(wǎng)站無關(guān).針對Wrapper生成問題,人們提出了各種各樣的方法.這些方法的抽取模式語言基本上都是自己定制的,往往很簡單、難以描述

2、精確或者復雜的信息抽取模式.盡管通過人為標記的樣本可以自動歸納出抽取規(guī)則,但這些抽取規(guī)則很難達到很高的精度、健壯性和通用性.該文使用標準的XML技術(shù)來解決網(wǎng)頁信息抽取問題.基于標準的XSLT,可以利用它強大而且靈活的特性編寫簡單、健壯和通用的抽取規(guī)則.為了快速的構(gòu)造抽取規(guī)則,我們開發(fā)了一個信息抽取平臺.除了手工編寫抽取規(guī)則外,該文提出了新穎的方法自動歸納網(wǎng)頁模板和記錄模板,以及相應的抽取規(guī)則.網(wǎng)頁模板可以用來抽取網(wǎng)頁的主要內(nèi)容.這對很多