基于树及索引的HTML表格数据挖掘算法研究.pdfVIP

ISSN1009—3044 咖胎rJ伽D刚e啪a删Mo岍电脑知识与技术 http：／／、㈣w．dnzs．net．cn 5690964 V01．5，No．1 Tel：+86．55l一5690963 o，April2009，Pp．2553—2556 基于树及索引的HTML表格数据挖掘算法研究 程晓伟，田东风 (中国地质大学，北京100083) 摘要：提出了一种基于树及索引结构的HTML解析与表格数据抽取的算法。并对各子算法复杂性进行了讨论．对HTML标签存贮 模型及表格数据挖掘模型进行了详细的说明，对算法所涉及的二又树、栈、容器、递归等算法及数据结构作了清晰阐述。 关键词：HTML解析器；数据挖掘；HTML标签存储；表格数据抽取 中圈分类号：TP393文献标识码：A 文章编号：l009—30144(2009)lO一2553_04 of Re辩arch ofTabIeData fromHTMLB瞬d伽Tr钟柚dInd饯 AIgorithm Di器illg CHENG Xjao—wei’TLANDoIlg—f；119 of UniverSity 100083，C11ina) (Cllina Geosdence，Beijing Abst髓ct：This baSedonn．ee狮d iSto HTMLaIld dataof乜ble．The paperbrin萨for、Ⅳard孤akorithmillde】【’wllicha11alyse dig complex一 is that data mch dlis discussed．Thenlodelof ofHTMLand of table aredetailed．Theda乜stnlctures 时of algoridlm storiI唱hbels digging andSoonmendonedill showed． 部bi—tree，s廿ck，Vector nle如耐岫are words：HTML 1=Ibel of曲le amlyse；data store；data Key dig曲玛；HTML drag l引言 数据挖掘是网络时代非常重要的一种技术，尤其是H1咖L数据的挖掘。在网络时代，以HTML作为标准的网页成为绝大多数程 序的人机界面，这就使得HTML数据挖掘成为人们获取信息的最为重要的方法。比如各大搜索引擎，就是对HTML进行深入分析， 挖掘其中的信息并整理而来的。此外，各行业针对自己所关心的内容进行专项内容挖掘更为常见，本文就属这种情况。 表格数据的挖掘是数据挖掘重要内容。在HTML的众多元素中，TABLE是非常重要的元素之一，因为它是数据显示主要格式。 对于多行多列的数据，当要将它们展示时。最常采用的方式无疑是表格，尤其是记录格式的数据，基本都是以表格的形式列出。 HTML解析所涉及的技术是多方面的。HTML作为一种互联网上最常用的协议，所定义的内容是非常广泛的，本文主要关注的 的实现作了深入阐述。 2HTML表格数据挖掘算法 2．1HTML理论基础 H‘I’ML(HyperrrextMark—up Wide 来HTML就一直被用作World 体则包含所要说明的具体内容。 HTML文档制作不是很复杂，且功能强大，支持不同数据格式的文件镶入，这也是WWW盛行的原因之一，其主要特点如下： ，1)简易性。HTML版本升级采用超集方式，从而更加灵活方便。一； 2)可扩展性。HTML语言的广泛应用带来了加强功能，增加标识符等要求，HTML采取子类元素的方式，为系统扩展带来保证。 行的另一