信息集成系统中HTML2XML地研究.pdfVIP

信息集成系统中HTML2XML的研究 ResearchonHTMLZXMLinInformation IntegrationSystem 商超1李建中“2何震瀛2 (黑龙江大学计算机科学技术学院哈尔滨150001)1 (哈尔滨工业大学计算机科学与工程系 哈尔滨150001)2 AbstractXMLhas asWebdata and this recentlyemerged representation standard．Inpaper．Wepro— exchange videasemiautomaticinformationextractionandconverslonmethod，whichbased0ndocumentmodel，ac— object tO and HTMLXMLdatafeatures．Moseover·wea themethodwemen- cording implementprototypesystemusing tioned．whichcanconvertHTMLdataontheWebintoXMLdata efficiently． XML，Informationextraction．DOM Keywords HTML数据到XML数据的转化原型系统 1 引言 息以及用户与系统之间的交互实现了由HTML数 近年来，Internet已经成为人们获取信息的主 要工具，它提供世界范围内网络互连和通信，而 据到XML数据的半自动转化。本文的研究内容不 Web则成为环球信息资源库。为了有效地组织和交 包含对查询请求的转换，仅涉及HTML页面信息 的转换。利用本文提出的方法可以构建信息集成系 换Web数据，W3C提出了Web数据组织和交换的 统中的包装器软件。 新标准XML(eXtendedMarkupLanguage)[I]。根据 XML特有的自描述性及结构化特性，领域工作人 本文的研究内容基于如下假设； 员可以在遵照统一行业标准的前提下创建数据以便 1．由样本页产生的提取规则仅适用于具有相同 主题且对应数据的区域具有基本相同结构的Web 共享。可见，XML技术对于Internet数据交换与数 数据源中的一类相似页面。 据管理具有重要的意义，以XML作为表现形式的 2．处理的目标HTML页面应该符合XHTML 数据必将迅速增长。然而，由于XML技术出现时间 规范”]。尽管原型系统中采用Jtidy口3处理格式不完 较晚，Web上仍旧存在大量HTML数据，其间蕴含 整的HTML目标页面，但这种处理方法需要人工 大量信息，由于没有统一标准，这些信息只适合浏 干预，降低了原型系统的转换效率。为了提高转化的 览，而不适合进行数据交换。因此，需要利用信息提