Web网页中动态数据区域的识别与抽取.pdfVIP

维普资讯 第33卷 第 11期 计 算 机 工 程 2007年6月 Vo1．33 No．1l ComputerEngineering June2007 · 软件技术与数据库 · 文章编号：looo_-3428(2oo7)l1—0o53—03 文献标识码；A 中图分类号；TP311 Web网页中动态数据区域的识别与抽取 黄健斌 ，姬红兵 ，孙鹤立 (1．西安电子科技大学电子工程学院，西安 710071；2．西安电子科技大学计算机学院，西安 710071 3．西安交通大学计算机科学与技术系，西安 710049) 摘 要：采用基于HTML标记树的数据块查找方法挖掘Web网页中的数据区域，在此基础上结合网页聚类和跨网页数据区域匹配 自动识 别一个网页中的动态数据区域。实验结果表明，该方法能够提高Web网页中动态数据区域识别的召回率和准确率。 关健诃：Web数据区域抽取 ；动态数据区域识别 ；跨网页分析 DynamicalDataRegionsIdentificationandExtractioninW ebPages HUANGJianbin ．jIHongbing。．SUNHeli (1．SchoolofElectronicEngineering，XidianUniversity，Xi’an710071；2．SchoolofComputerScience，XidianUniversity，Xi’an710071； ‘ 3．DepartmentofComputerScienceTechnology．Xi’anJiaotongUniversity．Xi’an710049) |Abstract|ThispaperpresentsanimprovedapproachforfindingdatablocksintheHTMLtagtreetominethedataregionsembeddedinaWeb page．A policyofcombininghteW ebpageclusteringandcross—pagedataregionanalysisisproposedtoidentifyhtedynamicalW ebdataregions． Experimentalresultsshow hteeffectivenessofgivenapproach． [KeywordslWebdataregionsextraction；Dynamicaldataregionsidentification；Cross—pageanalysis Web被设计成一个面向信息发布和浏览的系统，Web网 HTM L — — — — ＼ 页中存在大量有价值的信息，但是这些信息多半是以半结构 HEAD BoDY 化的形式存在的，机器很难 自动对其进行分析和理解。我们 ／^＼ ／ ＼ E STYLE TAB／ ，r、 TlTL LE TABLE TABLE 经常从Web网页中发现由多个数据元素所组成的具有一定结 构的数据块，这些数据块通常是从后台数据库中自动生成的