一种基于数据驱动型Web页面的信息抽取方法.docVIP

一种基于数据驱动型Web页面的信息抽取方法 　　摘 要：提出了一种以XSLT为抽取规则的Web信息抽取方法。首先将样本Web文档转换为XHTML文档，通过解析器构造DOM树，寻找最大频繁子树并识别出用户感兴趣信息，以此形成需抽取内容的定位信息。然后对不同样本Web文档的定位信息进行归纳学习，并构造出以XSLT文档表示的抽取规则。最后应用该抽取规则进行实际的信息抽取。方法基本不需要人工干预即可完成Web信息抽取，可应用于Web数据挖掘以及信息搜集比对等应用领域。 　　关键词：Web；抽取；XML；XSLT 　　Extracting Information of Web based on Data Driver 　　LIU Hongyi 　　（College of the PLA border denfense academy of fighting Lab，Xian，China，710108） 　　Abstract： This paper presents a method of information extraction using XSLT as extracting rules. First， change the sample Web document into XHTML document， constructs DOM tree by the parser