基于Web的企業(yè)產(chǎn)品信息抽取系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf

1、在萬(wàn)維網(wǎng)的Web頁(yè)中，蘊(yùn)藏著大量的可為我們所用的信息。如何快速、準(zhǔn)確地從這些Web頁(yè)中找到并提取出我們所需要的信息，己經(jīng)成為當(dāng)前最熱門的研究課題之一。隨著 Web信息抽取技術(shù)研究的不斷深入和逐漸成熟，開發(fā)基于 Web的信息抽取系統(tǒng)或?yàn)楝F(xiàn)有軟件增加 Web信息抽取功能已成為一些企業(yè)的迫切需要。本課題正是根據(jù)一個(gè)企業(yè)的實(shí)際應(yīng)用開發(fā)需求而提出的。
　　論文介紹了課題的背景和意義，Web信息抽取系統(tǒng)的研究現(xiàn)狀，課題的主要研究?jī)?nèi)容，介紹了基

2、于Web的信息抽取系統(tǒng)的設(shè)計(jì)與開發(fā)所涉及主要相關(guān)技術(shù)。這些技術(shù)主要包括 HTML文檔和XML文檔的結(jié)構(gòu)剖析，將 HTML文檔轉(zhuǎn)換為XML文檔格式的轉(zhuǎn)換方法，正則表達(dá)式的書寫語(yǔ)法及其在HTML文檔標(biāo)簽清理操作中的作用和使用方法，使用.NET Framework平臺(tái)提供的XML相關(guān)類操作訪問(wèn)XML DOM對(duì)象的方法，使用.NET Framework提供的XPath數(shù)據(jù)模型對(duì)XML文檔進(jìn)行定位及抽取數(shù)據(jù)的編程方法，使用ADO.NET操作訪問(wèn)數(shù)

3、據(jù)庫(kù)的方法等。在此基礎(chǔ)上，針對(duì)一個(gè)企業(yè)的實(shí)際項(xiàng)目開發(fā)需求，詳細(xì)闡述了基于Web的企業(yè)產(chǎn)品信息抽取系統(tǒng)項(xiàng)目的設(shè)計(jì)與開發(fā)過(guò)程，包括系統(tǒng)需求分析、系統(tǒng)設(shè)計(jì)、系統(tǒng)實(shí)現(xiàn)、系統(tǒng)測(cè)試等。
　　本課題實(shí)現(xiàn)的Web信息抽取系統(tǒng)具有友好的用戶界面，具有URL管理、規(guī)則管理、數(shù)據(jù)抽取、數(shù)據(jù)管理、用戶管理5大功能。使用本系統(tǒng)，用戶可以通過(guò)輸入U(xiǎn)RL瀏覽網(wǎng)頁(yè)內(nèi)容，可以通過(guò)添加URL使含有所需信息的Web頁(yè)成為待抽取的目標(biāo)頁(yè)。系統(tǒng)可以根據(jù)用戶設(shè)定的URL下載

4、HTML文檔到本地機(jī)器中，并使用網(wǎng)頁(yè)解析器將HTML文檔轉(zhuǎn)換為XML格式，使用.NET Framework的正則表達(dá)式類清理XML文檔中多余的HTML標(biāo)簽。系統(tǒng)使用XML DOM模型對(duì)象加載XML文檔生成DOM樹，然后在窗體界面上以樹形方式展示XML文檔數(shù)據(jù)，并提供交互方式讓用戶對(duì)需要抽取的信息進(jìn)行標(biāo)記以生成抽取規(guī)則。在抽取操作時(shí)，系統(tǒng)使用XPath數(shù)據(jù)模型建立抽取規(guī)則，使用.NET Framework相關(guān)XML類實(shí)現(xiàn)數(shù)據(jù)抽取，并將提取