山西大学论文编号199924122.docVIP

山西大学论文 编号：199924122 论文题目 Web 可视化 ——Web站点结构及网页特征信息的抽取和过滤 姓 名 闫 微 院系、专业 计算机科学系、计算科学与技术 学习年限 1999 年 9 月至 2003 年 7 月 指导教师 崔 军 学位级别 学 士 2003年6月30日 Web 可视化 ——Web站点结构及网页特征信息的抽取和过滤 [内容摘要]: Web可视化，是近年来随着www的迅猛发展，从国外迅速发展起来的一个热门学科。www为用户提供了丰富的全球资源。然而，超文本的结构非常的复杂并且超链结构没有方向性，因此很难将其用来可视化。本文先对Web可视化的意义技术现状进行了简介，然后主要对该技术的重要技术——Web站点结构及网页特征信息的抽取和过滤技术进行了详细的阐述，包括网页内容读取算法、网页URL提取算法、超链路径转换算法、超链接的过滤算法、树结构编码算法等。 [关键字]: 网页信息抽取 超链接抽取 Web可视化 Web站点结构 Web Visualization ——The Extract and Filter of Web Site Structure and Web Page’s Characteristic Information Department of Computer Science Yan Wei Tutor Cui Jun ABSTRACT Along with the fast development of www, Web visualization is well known abroad. The World Wide Web is now emerging as a powerful global resource for web users. However, since the structure of hypertext is very complex and its cross-references are disoriented, it is hard to render them in a visual form. This paper introduces the actuality of Web Visualization briefly, and describes the technology of extracting structure and characteristic information from web pages, which is prerequisite of Web Visualization. It includes reading the contents of web pages, extracting hyperlinks embedded in them, transforming the hyperlinks in relative formats into the absolute ones, filtering out the redundant hyperlinks, defining and storing the tree structure, and so on. Keywords web page information extraction hyperlink extraction web visualization web site structure 1 引言 随着Internet/Intranet技术与应用的迅猛发展，网络正深刻的改变着我们的生活。而在网上发展最为迅猛的www(World Wide Web)技术，以其直观、方便的使用方式和丰富的表达能力，已逐渐成为Internet上最重要的信息发布和传输方式。然而Web信息的急速膨胀，在给人们提供丰富的资源的同时，又使人们在对它们的有效使用方面面临一个巨大的挑战。Web已成为一个巨大的信息源，且资料量仍在快速增长。如何有效的利用这些信息就变得非常的重要，因此出现了各种基于Web资料源的技术和应用。“Web可视化”就是面对web上的信息爆炸，web拓扑结构变大，并变得越来越复杂，用户难以理解Web图形潜在的结构等情况下产生的热门学科。 1.1 Web可视化现状 Web可视化是基于ww