基于MEDL模型的HTML向XML的转换方法.pdfVIP

第24卷第6期 重庆邮电大学学报 (自然科学版) Vo1．24 No．6 2012年l2月 JournalofChongqingUniversityofPostsandTelecommunicatinas(NaturalScienceEdition) Dec．2012 DOI：10．3979／j．issn．1673—825X．2012．06．023 基于 MEDL模型的HTML向XML的转换方法 杜茂康，李韶华，刘 苗 (重庆邮电大学 经济管理学院，重庆 400065) 摘 要：基于MEDL模型提 出了一种以内容为导向的，将HTML转换为XML数据的方法。在该方法中，根据网页 中值域和属性域的识别，并结合MEDL模型对HTML中的数据进行提取，并将其转换为符合要求的格式。该方法 具有提取信息精确、转换格式统一等优点，且具备很好的扩展性，能够为深入开展 Web数据挖掘提供很好的支持。 关键词：MEDL模型；HTML表格；XML；信息提取 中图分类号：G203 文献标识码：A 文章编号：1673—825X(2012)06-0788434 M EDL—basedmethodofconvertingHTM L toXM L DU Mao—kang，LIShao—hua，LIU Miao (CollegeofEconomicsandManagement，ChongqingUniversityofPostsandTelecommunications，Chongqing400065，P．R．China) Abstract：A contentorientedmethodofconvertinginformationfrom HTMLtoXMLbaseonMEDLmodelisproposed．The presentedmethodidentifiesinofrmationaccordingtoattributeareaandvaluearea．extractsHTMLdatabasedontheMEDL model，andobtainedthefinaldatawiththestructuredformat．Theproposedmethodhashighaccuracyofextractinginfor— mation．Theextractedinformationbasedonthismethodhasunifiedofrmat．Thismethodhasgoodscalabilityandcanpro． videgoodsupportforWebDataMining． Keywords：multi—levelelementdescriptionlanguage(MEDL)model；HTML；XML；informationextraction 为XML进行大量研究并且取得了一定的进展。贾 0 引 言 长云、程永上 基于主要的5类表格进行XML的转 当今互联网的应用已经深入到了社会生活的各 换。ShijunLi等 通过引进一个针对 HTML表格的 个方面，如何从浩瀚的Web页面中发掘有用的信息 概念表模型进行XML的转换。但是，这些研究方法 成为了信息处理领域中的热点。当前绝大多数的网 主要是基 于 HTML表格结构基础上进 行 的研 络信息都是使用 HTML形式进行显示的。HTML网 究 ，由于HTML表格的结构的多样性，因而转换 页能够显示各种各样的数据，并且网页的布局是由 的准确性不好，方法的通用性不高。同时，在分析 设计者 自行决定，所以格式多样，难 以对网页中的数 HTML表格时很多内容是不必要的，但是，之