基于XML的Web信息抽取的研究和應(yīng)用.pdf

1、隨著Internet的迅速發(fā)展，互聯(lián)網(wǎng)產(chǎn)生了海量的Web信息。盡管通過Web頁面可以查詢幾乎所有領(lǐng)域的知識信息，但是由于由HTML構(gòu)成的Web數(shù)據(jù)是一種半結(jié)構(gòu)化的數(shù)據(jù)，使得該類型頁面只能方便于人們的瀏覽，而一些應(yīng)用程序卻無法直接解析并且利用這些資源。因此，為了增強Web數(shù)據(jù)的可利用性，Web信息抽取技術(shù)成為倍受關(guān)注的數(shù)據(jù)庫研究領(lǐng)域之一。
　　Web信息抽取系統(tǒng)，主要是將由HTML文檔構(gòu)成的半結(jié)構(gòu)化Web數(shù)據(jù)，轉(zhuǎn)換成嚴謹?shù)慕Y(jié)構(gòu)化數(shù)據(jù)

2、，從而為應(yīng)用程序提供數(shù)據(jù)源。本文采用的基于XML的Web信息抽取技術(shù)，利用的正是數(shù)據(jù)交換的公共語言XML作為抽取工具。
　　本文首先對Web信息抽取的基本概念做了簡要的介紹，給出了信息抽取的定義，并與日常提到的信息檢索進行對比分析；詳細介紹了當(dāng)前Web信息抽取技術(shù)所采用的方法，對這些方法進行了分類比較；并對未來Web信息抽取技術(shù)可能的發(fā)展方向進行了展望。
　　其次，本文給出了基于XML的Web信息抽取流程，把采用的XML，X