基于树结构deweb表格信息抽取方法.pdfVIP

第 32卷第 3期 华 北 水 利 水 电 学 院 学 报 V01．32No．3 2011年 6月 JournalofNoahChinaInstituteofWaterConservancyandHydroelectricPower Jun．2011 文章编号：1002—5634(2011)O3—0108—03 基于树结构的Web表格信息抽取方法 孙全红 ，张贞贞 (华北水利水 电学院，河南 郑州 450011) 摘 要：针对 目前国内外多种信息抽取方法中存在不同程度的局限性，提出一种基于 DOM树和二叉树结构 的Web表格信息抽取方法．该方法提供 了以Web表格为信息抽取对象的、支持抽取方式选择 的Web表格信 息抽取工具．该工具将Html文档解析成DOM树 ，再将DOM树构建成一棵含有文本信息的二叉树，最后通过 遍历二叉树实现对 Web表格信息的抽取 ． 关键词：表格信息；Html文档；DOM树；二叉树 随着信息技术的发展和 Web资源的极度膨胀 ， 格信息． 网络资源传统的信息获取方式已不能满足用户的需 二叉树构建工具以Html文档作为输入数据 ，将 求．因此现在面临急需解决的问题是怎样从海量 的 Html文档解析成 DOM树 ，再将用户感兴趣 的标记 网络资源中挖掘出有价值 的和感兴趣 的信息．网络 及其中的内容重新构建成一棵含有文本信息的二叉 信息挖掘是一个极其复杂 的过程 ，它不同于传统 的 树．在此以表格为例进行信息抽取 ，设定 “title(文档 数据仓库技术和简单的知识发现 ，它面对的海量信 标题)、table(表)、td(列)、tr(行)”为感兴趣标记． 息不是简单的结构化数据 ，而常常为半结构化数据 ， 图书信息见表 1． 甚至是异构型数据…．笔者从 Web表格信息抽取方 表 1 图书信息表 法的研究及实现方面来研究基于树结构的Web表 书名 浮躁 格信息抽取的建模理论 ，简化建模的过程 ，缩短实现 作者 贾平 凹 周期 ，为 Web信息抽取建模提供新的思考方法． 售价 23．O0 1 Web表格信息抽取的设计 表 1对应的Html代码如下 ： 1．1 系统构成 html Web表格信息抽取系统是 以Web表格 中的数 headtitle图书信息 ／tide／head 据为信息抽取对象开发的工具 ，具有较高的通用性． body 主要有以下2个工具构成 ： table a．二叉树构建工具．此工具也是 Html文档分析 trtd书名 ／tdtd浮躁 ／td 工具 ，实现对文档结构的重建 ，包括 Html解析和二 ／tr 叉树构建 ，即将一个 Html文档转化成一颗含有文本 trtd作者 ／tdtd贾平凹／td 信息的二叉树 ，供信息抽取使用． ／tr b．信息抽取工具．利用全文二叉树进行查找、信 tr td售价 ／tdtd23．00 息抽取 ，并具有选项抽取等功能，即从一篇 Web文 ／td ／tr 档的表格 中提取出与用户感兴趣的关