基于HTML的WEB就業(yè)信息抽取技術(shù)研究.pdf

1、隨著計(jì)算機(jī)的普及和互聯(lián)網(wǎng)的發(fā)展，網(wǎng)絡(luò)已成為人們查找信息的重要渠道。Web作為巨大的數(shù)據(jù)源，從Web中抽取信息是當(dāng)前信息研究的熱點(diǎn)之一。
　　隨著我國高校招生規(guī)模逐年擴(kuò)大，給高校學(xué)生的培養(yǎng)及就業(yè)帶來了諸多壓力。我們希望從互聯(lián)網(wǎng)上獲得大量的就業(yè)信息，對專業(yè)建設(shè)和就業(yè)有一定的指導(dǎo)意義?；ヂ?lián)網(wǎng)的這些海量信息中，大多都是半結(jié)構(gòu)化的HTML格式。HTML結(jié)構(gòu)的文本并不嚴(yán)格，語義也不清晰，人們無法快速準(zhǔn)確地找到需要的信息，所以如何快速準(zhǔn)確地獲取

2、這些數(shù)據(jù)是亟待解決的問題。
　　因此，我們分析了就業(yè)信息網(wǎng)站中HTML網(wǎng)頁的特點(diǎn)，提出一種新的基于HTML結(jié)構(gòu)的Web就業(yè)信息抽取模型。該模型由HTML結(jié)構(gòu)預(yù)處理模塊、表格定位模塊和信息抽取模塊三個(gè)模塊組成。
　　首先我們利用JTidy對獲取的Web頁代碼進(jìn)行清洗并轉(zhuǎn)化為XML文檔。再經(jīng)過XML解析獲取Web頁的DOM樹。最后通過大量的觀察，我們形成啟發(fā)規(guī)則來定位“真”表格，設(shè)計(jì)實(shí)現(xiàn)了算法；考慮到表格的跨多行、跨多列的布局會