電子發燒友網>電子資料下載>電子論文>網絡協議論文>基于XML特征的網頁文本抽取方法

基于XML特征的網頁文本抽取方法

2755793 2018-01-02 | rar | 0.64 MB | 次下載 | 2積分

資料介紹

　　Web信息抽取（Web Information Extraction，簡稱WIE）是指：給出屬于同一類型的若干樣本網頁。找出它們的源數據集的嵌套結構，并將源數據集從網頁中抽取出來。即通過對原文檔信息內容和結構的分析，抽取出有意義的部分，生成結構化的有價值的信息。

　　Web信息抽取漸漸成為一個嶄新而熱門的課題，從互聯網資源中抽取數據的傳統方法就是編寫特定的程序，這種程序被稱為“Wrapper”。Wrapper是一個能夠將基于HTML描述的Web網頁內容轉換為按照某種結構化描述的數據集合（例如XML數據、關系數據庫）的軟件程序。它由信息抽取所需的信息識別與結構影射知識和應用這種抽取知識的處理程序組成。根據各種工具用于產生Wrapper而采取的不同技術，目前的Web數據抽取工具可分為六種：Wrapper開發語言，可感知HTML的工具，基于NLP的工具，Wrapper歸納工具，基于建模的工具，基于語義的工具。

　　本文從理論上分析網頁文本信息抽取的方法及流程，具體闡述了網頁文本信息抽取的理論和方法，以當當網頁文本信息抽取為例，介紹了基于標簽的信息抽取系統的概述，同時闡明了具體的過程和模塊，給出該抽取賣現方法的步驟以及實現的某些核心代碼，分析此方法的優點和可以進一步改進的地方，并就其意義和所需進一步思考的地方進行了闡述。