阶段实验一：基于简单HTML文件格式的检索小系统.docVIP

阶段实验一：基于简单HTML文件格式的检索小系统 要求：三人组队参加，完成一份实验报告，小组汇报验收。 时间：三周（从4月日算） 一、说明 HTML语言用来描述Web文档的通用格式和布局。详细的介绍可以参照一些书本或者网上资料。HTML中基本的语法单位称为标签。总的来说，标签用于指定内容的类别。对于每个类别，针对特定的内容，浏览器都有默认的显示方式。标签的使用语法是利用一对尖括号“”将标签名称包围起来。大部分标签都是成对的：包括开始标签和结束标签，如html和/html。开始标签和结束标签之间的信息称为标签的内容。这里仅考虑一个HTML语言的子集，该子集包含以下标签： html, /html：标识文档的根元素； head, /head：包含了文档的头部分，该部分提供了文档的相关信息，而没有提供文档的内容； title, /title：文档的标题元素，其内容显示在浏览器的顶部； body, /body：文档的主体部分，提供了文档的内容； ol, /ol：有序列表标签，用于创建有序列表，列表中的条目是通过标签li, /li指定的。可以嵌套有序列表ol。标签ol后不能直接嵌套ol，而必须通过li嵌套。 例如，下面的示例演示了嵌套的有序列表： html head title test for nested lists /title /head body ol li Section 2 ol li Section 1.1 /li li Section 1.2 /li /ol /li li Section 2 /li /ol /body /html 例如： html head title test for nested lists /title /head body ol li Anhui Province ol li City Hefei /li li City Wuhu /li /ol /li li Shanghai /li /ol /body /html 显示结果是： Anhui Province City Hefei City Wuhu Shanghai 对应的语法树为： 通过上面的HTML语言子集，可以设计结构化的Web文档。对于这样的文档，我们可以提取其结构信息，建立对应的结构化数据存储，并可以在此基础上进一步做相应应用如查询操作等。 二、要求 根据前面介绍的HTML语言子集，编写合法的文档，作为输入文件。然后用相应算法提取其结构化信息，生成如图的树形结构。 在已经建立的结构化存储数据结构上，做单词查询操作。输入一个查询关键字（如”City”），要求返回所有匹配的单词所在原HTML文档中的位置信息（如，City: Section 1.2 the first word and Section 1.2 the first word）。 实现将结果存入文件的功能。 根据需求，进行类的设计，并说明设计的理由。 三、提示 下面给出一个实现的算法。这里考虑一个简单的情况，即body中只有一个有向列表，对于body标签中有多个列表的情况，通过简单的修改此算法可以解决： 对于这样一个HTML文档，html, head, title是无关紧要的，在读取文档内容时可以忽略。核心的结构化信息在有序列表中。 遇到第一个ol时，生成头节点，头节点内容为空，curParent=curNode都指向该节点； 每当遇到一个li，生成curParent指向的节点的一个子节点curNode，li后内容即为该节点的内容； 每当遇到一个ol，curParent=curNode，准备以curParent为根的子树（递归操作）； 每当遇到一个/li，则curNode指向的节点生成完毕（即不再往下递归地生成子树），继续读文件（注意，/ol后的第一个/li应忽略，因为/ol其后必然有一个/li）； 每当遇到一个/ol，则以curParent 为根的子树生成完毕，curParent=curParent-parent； 当读到/body时，整个树生成完毕，返回其头指针。 针对前面示例的html文件，其语法树生成过程图示如下： 读到第一个ol，生成空的头节点1 。 (b) 读到ol后第一个li，生成第一个 子节点2，并将li其后内容作为节点内容。 (c) 遇到ol，curParent=curNode，准备 (d) 再次读到li，生成以curParent 以curParent为根生成子树；读到li，生 为根的子节点4；读到/li，非/ol 成