HtmlParser提取网页信息的设计和实现.pdf

第28卷第6期 江西理工大学学报 V01．28．No．6 2 Dec．2007 文章编号：l007—1229(2007)06—0026—03 HtmlParser提取网页信息的设计与实现 黄颖1，黄治平2 (I．江西理工大学信息工程学院．江西赣州341000；2赣南师范学院，江西赣州341000) 摘要：互联网上信息量的激增。迫切需要一些自动化的工具帮助人们在海量信息源中迅速找到 真正需要的信息，如标题、链接、eⅡmil和图片等，而HTML语言所表述的web页面经浏览器分析 后只适合浏览，不适舍作为一种数据交换的方式由机器处理．文中详细介绍了如何使用Htn·lPaner 来提取网页当中的超链接信息，将其清洗后存入SOL数据库当中，以备后续工作使用． 关键词：HtIIllParser；信息提取；网页解析 中图分类号：TP393．03文献标识码：A and ofWebInformation DesignImplementation ExtractionBasedOnHtmlParser HuANG Yin91，HuANGzM—pin92 (1．h皿lty0fIr血珊“∞Er咖。e|ing，Ji叽鲥u耐口畸0fscj删dT锄nolo科，G蚰z11011341000，chi雎 2．G蛐Ⅱ蚰‰h聃cdlE萨，G蚰zh伽3410【)0，chi衄) theweb incre鹊estheneedfor toolsto Abstract：The contents someautomatic the mpid掣帅曲of helppeople丘nd the iTI壬b皿1ation蚰urces etc．TheWeb ird硫1ation舢ongmagnanimous Buch髂tides，links，emails，Pieturesp89朗 Intemet suitahkfor notfor expre88edby肿ML，血er蚰alyzedby E1p10rer，a陀oIllybmwse，but 0f t0 to data hdwuseHtInlParserextract iIlfbmladon缸帅 ing曲tlleway exchange．Th。paperexpl血s hyperlink web storein datab船eaf№r ini—疏lad叩detail． page，then sQL cleaning Key wOrds：htIIllpa碍er；i血mllad蚰extraction；web衄alysis 0前言 着与生俱来的缺点，HTML在推出时并没有对其格 式进行严格的定义，比如HTML中标签并不一定要 随着网络上信息资源的飞速增长．从网页数据 成对出现，因而不适合以数据交换的方式由机器处 源中提取出可利用的信息资源越来越显出它的重 要性．提取web信息是为一系列复杂的后续工作服