半結構化Web信息抽取研究.pdf

1、隨著互聯(lián)網(wǎng)的快速發(fā)展和普及，人們越來越依賴于網(wǎng)絡獲取信息。如何從中快速高效的獲得想要的信息成為迫切需要解決的問題，Web信息抽取技術應運而生。目前，已經(jīng)產(chǎn)生了各種各樣的方法來生成包裝器，但這些方法有不同的局限性，在精確度、健壯性和通用性方面難以達到很高的要求。因此，信息抽取的研究重點就是如何構建良好的包裝器。 本文首先對現(xiàn)有的信息抽取技術和XML技術進行分析與研究，提出一個基于XML 技術的Web信息抽取系統(tǒng)。通過該系統(tǒng)用戶能夠

2、將HTML頁面中感興趣的信息點抽取出來，并用結構化和擴展性強的XML來表示抽取結果。該系統(tǒng)具有較好的通用性和靈活性，用戶能夠快速定制應用于不同領域的Web信息抽取包裝器。本文應用XPath技術在數(shù)據(jù)定位方面的特點，提出一種基于DOM的XPath生成算法。本文利用XSLT作為抽取規(guī)則的描述語言，并使用XPath來定位待抽取信息點。 對于Web信息抽取的問題利用本文提出的Web信息抽取方法能夠較好地解決，同時，系統(tǒng)的召回率和準確率能