基于XML的Web數(shù)據(jù)抽取技術(shù)的研究.pdf

1、web作為一個(gè)全球化信息空間，蘊(yùn)含著巨大的潛在價(jià)值。盡管目前已對(duì)Web數(shù)據(jù)抽取技術(shù)進(jìn)行了大量的研究工作，但是現(xiàn)有的技術(shù)還不能讓用戶滿意。XML為web提供了一致的數(shù)據(jù)模型和描述語(yǔ)言，已成為表示W(wǎng)eb中多樣性數(shù)據(jù)的事實(shí)標(biāo)準(zhǔn)。 論文通過(guò)對(duì)web數(shù)據(jù)抽取步驟的分析和研究，針對(duì)目前存在的問(wèn)題，提出一種快捷、實(shí)用的基于XML的web數(shù)據(jù)抽取技術(shù)的解決方案，并對(duì)其中涉及的關(guān)鍵技術(shù)，如搜索策略、轉(zhuǎn)換算法、抽取方法等方面進(jìn)行深入研究，期望為推進(jìn)

2、本領(lǐng)域的發(fā)展作一點(diǎn)貢獻(xiàn)。 論文的主要內(nèi)容包括如下幾個(gè)方面： 1．提出了一種應(yīng)用于小范圍Web的搜索策略：改進(jìn)的HITS算法。該算法針對(duì)小范圍Web的鏈接結(jié)構(gòu)特點(diǎn)，構(gòu)造間接鏈接，并且根據(jù)用戶訪問(wèn)的頻率對(duì)鏈接加權(quán)。改進(jìn)的算法使得小范圍web的鏈接結(jié)構(gòu)更接近萬(wàn)維網(wǎng)的鏈接結(jié)構(gòu)，同時(shí)鏈接加權(quán)輸入結(jié)合了用戶的反饋。理論和實(shí)驗(yàn)證明算法是正確的。 2．提出了一種基于棧結(jié)構(gòu)的IITML到XML的轉(zhuǎn)換算法。通過(guò)棧結(jié)構(gòu)的概念，有效地將

3、HTML格式轉(zhuǎn)換為XML格式。簡(jiǎn)化了數(shù)據(jù)抽取工作，方便地形成XML文檔，為處XML文檔、抽取出適當(dāng)?shù)臄?shù)據(jù)作了鋪墊。 3．提出了XML數(shù)據(jù)抽取的健壯性標(biāo)準(zhǔn)，將該標(biāo)準(zhǔn)運(yùn)用于XML數(shù)據(jù)抽取的區(qū)域定位和映射合并中，并分別給出了符合健壯性標(biāo)準(zhǔn)的合適方法，從而提高了數(shù)據(jù)抽取的效率。 4．原型系統(tǒng)的實(shí)現(xiàn)。根據(jù)上述三點(diǎn)的研究結(jié)果，結(jié)合數(shù)據(jù)抽取技術(shù)、XML技術(shù)和Java技術(shù)，提供了一個(gè)快速、通用的基于XML的web數(shù)據(jù)抽取原型系統(tǒng)，具有良