Web信息自動抽取技術(shù)的研究.pdf

1、隨著科技的進(jìn)步網(wǎng)絡(luò)技術(shù)的發(fā)展，互聯(lián)網(wǎng)已經(jīng)在各個(gè)領(lǐng)域融入我們的生活。面對日益增長的網(wǎng)頁數(shù)據(jù)，如何獲取其中有價(jià)值的信息或者是所感興趣的信息，是一個(gè)需要面對的問題。為了獲取這些網(wǎng)頁中的半結(jié)構(gòu)化數(shù)據(jù)，本文研究并實(shí)現(xiàn)了一種基于模型的信息抽取方法，并將其應(yīng)用于M-IE(Modeling-base Information Extraction)系統(tǒng)。
　　本文提出一種基于模型的信息抽取方法：首先通過界面簡單操作制定抽取規(guī)則，然后根據(jù)規(guī)則自動抽取

2、信息。通過研究用戶瀏覽網(wǎng)頁的行為，結(jié)合對瀏覽器內(nèi)核的研究，提出一種以三元素為基礎(chǔ)的腳本描述。這里的三元素分別描述了；網(wǎng)頁中指定的元素；對元素進(jìn)行的操作；輸出內(nèi)容的格式。然后對最終生成的腳本如何解析，做了詳細(xì)的闡述，對于元素1的實(shí)現(xiàn)給出了詳細(xì)的算法說明。基于模型的信息抽取方法可以應(yīng)用于本文提出的M-IE系統(tǒng)中。該系統(tǒng)主要針對論壇、微博和門戶網(wǎng)站進(jìn)行精確信息抓取，輸出結(jié)構(gòu)化的數(shù)據(jù)。最關(guān)鍵的是，這些數(shù)據(jù)是具有語義的。論壇和微博所抽取的信息，可