网页叙词表信息采集工具实现方法探讨.pdfVIP

现代商贸工业 型2：!!：!!!i 。：—丝唑坠墼尘塑兰坚型些坚—————————竺竖塑丝丝 网页叙词表信息采集工具实现方法探讨 卢同同 (太原理工大学图书馆，山西太原030024) 摘 要：通过对常用网页叙词表格式的分析与总结，实现了常用网页叙词表数据自动提取工具。工具通过webBrows’ er控件对web页面的加栽，实现叙词表web页面信息的提取，阐述了提取工具的各主要模块功能实现以及系统结构流程 图，并对系统中涉及到的主要函数实现进行了详细的说明。 关键词：网页叙词表提取；叙词表网页格式；webBrowser控件 中图分类号：F49 文献标识码：A 文章编号：1672—3198(2013)24—0158—02 叙词也称为主题词，是经过规范化处理的，以基本概念 括了叙词对应的上位词，下位词，相关词，人口词，范围注释 为基础的表达信息内容的词和词组，也叫受控词。是在文 等信息，这些也就是我们要提取的数据信息。 献标引与检索中用以表达文献的主题而规范化的词。 叙词表也称为主题词表，是文献与情报检索中用以标 引主题的一种检索工具。它是一些规范化的、有组织的、能 体现主题内容的、已定义的名词术语的集合体。 规范、合理的主题词表是主题标引的前提和基础，只有 主题词表建设和运用的准确，才会使文献标引结果更准确， 用户检索结果也更准确、更全面。由于不同学科的文献有 各自的学科特点和用词特点，而且互联网上有很多优秀的 专业的主题词表，如何采集网页版的主题词表信息，是我们 进行主题词表分析与研究的第一步工作，本文详细介绍了 一种适合大多数网页叙词表数据的通用的网页主题词表提 取数据的方法。 l 网页叙词表提取工具的需求 图1中主要包括的元素如下说明： 目前常用的网页数据提取工具，无法针对需求对整个 检索框：主要便于用户通过输入叙词，在网站中快速找 网站的具体数据进行提取，或者由于有些词表网站的URL到该叙词，获取该叙词的相关信息； 是动态的，不断变化的，更增加了提取数据的难度，所以常 检索按钮：用户通过在检索框中输人内容，点击“检索 用的网页数据提取工具不能满足主题词表的信息提取需 按钮”触发检索，得到检索结果； 求。 叙词列表：呈现本页显示的所有叙词，其中每个叙词占、 网页叙词表提取工具有如下三个需求：一是提取内容。 一行，且每个叙词都可以点击触发链接，进入叙词词间关系 通过对应的网页叙词表，依序获取叙词，以及叙词的词间关 页，查看叙词的词间关系。不同的词表，信息会有所不同， 系，包括：上位词，下位词，相关词，范围说明等，按照需求得 这些信息也就是我们要提取的数据； 到整个词表的信息。二是质量标准。一个网页提取工具应 翻页按钮(上一页，下一页)：页面通过这两个按钮进行 该要满足准确性、全面性、高效率三个条件。准确性是指提 翻页功能，在叙词表提取工具中，当该页的叙词列表中的所 取出的词表要准确无误，包括词本身的内容以及词间关系 有叙词提取完毕后，程序通过这两个按钮进行翻页。 都应与网站内容完全相同；全面性指的是首先是保证词表 的提取全面，保证不遗漏词表的任意主题词，其次在提取出 的主题词中，要保证主题词的词间关系不能遗漏，比如上下 位关系，相关词，范围说明等；高效率是指主题词表的数据 庞大，少则几万条，多则几十万条甚至上百万，再加上主题 词的相关信息，需要获取的web页面数量和提取数据都很 庞大，所以提取工具必须能快速地对词表进行数据采集。 2叙词表提取工具的实现 2．1一般网页叙词表格式 叙词表提取工具的实现基于一般网页叙词表格式，通 过对大多数网页叙词表的分析与归纳，总结出大多数叙词 表列表页与叙词词间关系页的基本结构如图1与图2所示。 在叙词词间关系页上，显示了叙词的所有词间关系，包 作者简介：卢同同(1982一)，女，山东潍坊人，博士，太原理工大学图书馆馆员。 一158— 现代商贸工业 Mode