半結(jié)構(gòu)化數(shù)據(jù)到結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換技術(shù)研究與實(shí)現(xiàn).pdf

1、隨著Intent技術(shù)的發(fā)展及計(jì)算機(jī)技術(shù)在各個(gè)行業(yè)中的廣泛應(yīng)用，大量有價(jià)值的數(shù)據(jù)都散亂在Web和Word等半結(jié)構(gòu)化數(shù)據(jù)中，難于實(shí)現(xiàn)數(shù)據(jù)高效查詢、檢索和處理。目前，對半結(jié)構(gòu)化數(shù)據(jù)的抽取與轉(zhuǎn)換已取得了不少研究成果，但仍然存在噪音清除不徹底、數(shù)據(jù)抽取的準(zhǔn)確率及效率低、交互性差等問題。
　　本文針對以上半結(jié)構(gòu)化數(shù)據(jù)抽取與轉(zhuǎn)換存在的問題，采用div分塊、Word樣式與模板等技術(shù)，重點(diǎn)研究Web和Word主流半結(jié)構(gòu)化數(shù)據(jù)的結(jié)構(gòu)化轉(zhuǎn)換技術(shù)和方法，

2、主要取得了以下研究成果。
　　(1)研究HTML文件數(shù)據(jù)抽取方法，提出了一種HTML文件噪聲數(shù)據(jù)清理方法。該方法利用源網(wǎng)頁文件中的div標(biāo)簽對HTML文件進(jìn)行劃分，考察每個(gè)div標(biāo)簽中包含的圖片標(biāo)簽、文本標(biāo)簽、超鏈接標(biāo)簽，根據(jù)這三類標(biāo)簽的數(shù)量，確定div標(biāo)簽的類別，刪除其中導(dǎo)航和圖片div，對待抽取的HTML文件進(jìn)行噪聲清理。將新方法與原有方法通過實(shí)驗(yàn)進(jìn)行對比,證明了該方法能有效提高數(shù)據(jù)抽取效率及準(zhǔn)確率。
　　(2)研究半結(jié)

3、構(gòu)化Word文檔數(shù)據(jù)抽取與轉(zhuǎn)換的方法，提出了樣式三要素、文檔樣式序列等概念，并利用基于樣式的Word文檔數(shù)據(jù)抽取與轉(zhuǎn)換方法對有格式的Word文檔進(jìn)行數(shù)據(jù)抽取與轉(zhuǎn)換，將抽取的數(shù)據(jù)以XML文件保存，實(shí)現(xiàn)了Word文檔中數(shù)據(jù)的抽取與轉(zhuǎn)換。
　　(3)研究基于模板的Word文檔交互式數(shù)據(jù)抽取方法，實(shí)現(xiàn)了在數(shù)據(jù)抽取時(shí)指定域名稱與字段的映射關(guān)系，提高了數(shù)據(jù)抽取與轉(zhuǎn)換的靈活性。
　　(4)在以上研究的基礎(chǔ)上，設(shè)計(jì)并實(shí)現(xiàn)了主要半結(jié)構(gòu)化數(shù)據(jù)到