基于XML的Web信息抽取設(shè)計與實(shí)現(xiàn).pdf

1、隨著近幾年的Internet飛速發(fā)展,Web已經(jīng)發(fā)展成為一個巨大的分布和共享信息資源的平臺。但如何從Web中快速、有效地獲取信息仍然是困擾著Web用戶的一個問題。盡管目前對Web信息抽取技術(shù)已進(jìn)行了大量的研究工作,但現(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)。論文通過對Web信息抽取的分析和研究,針對目前存在的問題,提出一種實(shí)用的基于XML的Web信息抽取技術(shù)的解決方

2、案,并對其中涉及的關(guān)鍵技術(shù),如HTML到XML的轉(zhuǎn)換、Web信息抽取方法等方面進(jìn)行了深入分析和研究,期望為推進(jìn)本領(lǐng)域的發(fā)展作一點(diǎn)貢獻(xiàn)。論文的主要內(nèi)容包括如下幾個方面:①以XML技術(shù)為基礎(chǔ),分析了現(xiàn)今流行的幾大類信息抽取技術(shù)以及各自應(yīng)用的范疇。除此之外,還應(yīng)用了數(shù)據(jù)結(jié)構(gòu)中的常見算法——樹的遍歷算法來實(shí)現(xiàn)Web數(shù)據(jù)到XML數(shù)據(jù)的轉(zhuǎn)換,簡化了信息抽取工作,方便地形成XML文檔,為處理XML文檔、抽取出適當(dāng)?shù)臄?shù)據(jù)作了鋪墊。②分析了XML信息抽取

3、的健壯性標(biāo)準(zhǔn),將該標(biāo)準(zhǔn)運(yùn)用于XML信息抽取的區(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XML信息抽取的效率。③原型系統(tǒng)的實(shí)現(xiàn)。根據(jù)上述兩點(diǎn)的研究結(jié)果、結(jié)合信息抽取技術(shù)、XML技術(shù)和VisualStudio.NET技術(shù),提供了一個基于XML的Web信息抽取原型系統(tǒng),具有良好的可移植性和適應(yīng)性。綜上所述,本文針對Web信息抽取從技術(shù)、標(biāo)準(zhǔn)、設(shè)計與實(shí)現(xiàn)等方面進(jìn)行分析,并且實(shí)驗(yàn)證明了其可行性。所以,基于XML的Web