網(wǎng)頁裁剪中HTML修補(bǔ)器的研究.pdf

1、網(wǎng)頁裁剪工具是企業(yè)信息門戶(EnterpriseInformationPortal，簡稱EIP)中常用的信息資源獲取工具，應(yīng)用于企業(yè)信息門戶(EIP)建設(shè)中，具有價值很大的研究開發(fā)意義。目前，國外很多大公司，比如IBM、ORACLE等，都開發(fā)了Portal產(chǎn)品，而且在Portal產(chǎn)品中都附帶網(wǎng)頁裁剪工具。但是網(wǎng)頁裁剪工具仍然存在著很多問題，其中一個比較大的問題就是使用該工具的文本裁剪方法容易產(chǎn)生HTML結(jié)構(gòu)不完整的情形，造成裁剪得到的門

2、戶部件不能正確地運(yùn)行。 本文的主要工作就是通過研究一個HTML修補(bǔ)器來解決上述HTML結(jié)構(gòu)不完整的問題，主要工作及創(chuàng)新點(diǎn)如下： (1)綜述企業(yè)信息門戶EIP以及國內(nèi)外網(wǎng)頁裁剪的情況，主要介紹了外國的大公司IBM和ORACLE的Portal及其網(wǎng)頁裁剪的情況； (2)總結(jié)HTML語言以及詞法分析的理論性知識，在詞法分析中重點(diǎn)介紹了正則表達(dá)式和有窮自動機(jī)； (3)提出了一個基于有窮自動機(jī)的HTML修補(bǔ)器的解決

3、方案。該方案首先利用網(wǎng)上開源工具HTMLTIDY對HTML網(wǎng)頁進(jìn)行預(yù)處理，使HTML代碼規(guī)范化、標(biāo)準(zhǔn)化，然后根據(jù)正則表達(dá)式和有窮自動機(jī)對HTML代碼進(jìn)行詞法分析，最后提出一個基于有窮自動機(jī)的三次掃描修補(bǔ)算法對HTML代碼進(jìn)行修補(bǔ)，從而使得待修補(bǔ)的HTML代碼結(jié)構(gòu)完整化。 本文的HTML修補(bǔ)器成功地應(yīng)用在一個實(shí)際EIP項(xiàng)目開發(fā)的網(wǎng)頁裁剪工具中，并取得了良好的效果。但是該HTML修補(bǔ)器也存在一些不足之處，目前只能應(yīng)用于文本裁剪，而不