基于表格特征的Web数据抽取方法.pdfVIP

第36卷第4A期 计算机科学 V01．36No．4A Science 2009年4月ComputerApr．2009．． 基于表格特征的Web数据抽取方法 李贵冯季防韩子扬郑新录 (沈阳建筑大学信息与控制工程学院 沈阳110168) 摘要 随着htemet的普及，web上有价值的信息日益增多，使得web数据抽取技术成为近年来的研究重点。通 过分析近几年web抽取技术的研究成果，根据现有的抽取技术所面临的可维护性差和实用性不高等不足，提出一种 基于表格特征的web数据抽取方法。该方法利用表格数据特征的规则表达式进行模式匹配，通过解析页面表格的 HT池提取出表格数据，从而提升了抽取系统的可维护性和实用性。 关键词Web数据抽取，表格特征，解析页面 TabIeDataBasedonTabIeCharacter Extractionof、Veb LIGui H：NGJ卜faIlg ZHENGⅪr卜lu HAN孙yang ofInfomlation＆control Jia∞hu 110168，CKna) (Faculty Engineer堍，Sh曲yaJlgUniversity，shenyang Webhasbecome thanever丽ththe of theWebdataex— Abstract℃埴taon more、阻luable developmentintemet，瑚king tractionas ofrecentITresearchBasedonitsweak suchas of hotspot point inefficiencyuph01dir培andpracticability， this fbrwordnewmethodofextractionofWebdatabasedonthedatacharacteroftable．Toextracttabledata paperput ofWebtableaIld 1111e oftable onWeb Imtch丽th character，en- page，tKsmetl刚跏1y粥HTML pattem e)【pression hancingthe of andits efficiencyupholdingpracticability． Webdataemraction，Table K昭wor凼 character，恕谢yzespage 该信息源的模型。虽然抽取模型的定义、结构和使用各异，但 1序言 是都是针对特定的网页和网站，广义上都称之为网页包装 随着htenlet的普及，web有价值的信息日益增多，使得 Web数据抽取技术成为当今研究的热点。现在Web抽取技 术主要采用的是网页包装(wrapper)的方法。其研究主要集中数据抽取过程主要包括下列5个步骤：网页获取、数据抽取、 在抽取方法之上，主要包括直接解析、HT池结构分析和数 数据校验、数据存储和数据集成[1]，如图l所示。 据建模。这3种方法优缺点各异，主要分为一下3点： (1)在直接解析的方法中，手工编写的抽取程序结构简