- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
一种全自动生成网页信息抽取Wrapper的方法-中文信息学报
第 22 卷 第 1 期 中文信息学报 Vol . 22 , No . 1
2008 年 1 月 J OU RN AL O F C H IN ESE IN FO RMA T ION PROCESSIN G J an . , 2008
文章编号 : (2008) 0 1002208
一种全自动生成网页信息抽取 Wrapper 的方法
1 ,2 1 1 1 1
梅 雪 ,程学旗 ,郭 岩 ,张 刚 ,丁国栋
( 1. 中国科学院 计算技术研究所 ,北京 100080 ; 2 . 中国科学院 研究生院 ,北京 100049)
摘 要 : Web 网页信息抽取是近年来广泛关注的话题 。如何最快最准地从大量 Web 网页中获取主要数据成为该
领域的一个研究重点 。文章中提出了一种全自动化生成网页信息抽取 Wrapp er 的方法 。该方法充分利用网页设
计模版的结构化 、层次化特点 ,运用网页链接分类算法和网页结构分离算法 ,抽取出网页中各个信息单元 ,并输出
相应 Wrapp er 。利用 Wrapp er 能够对同类网页自动地进行信息抽取 。实验结果表明 ,该方法同时实现了对网页中
严格的结构化信息和松散的结构化信息的自动化抽取 ,抽取结果达到非常高的准确率 。
关键词 : 计算机应用 ; 中文信息处理 ; 网页信息抽取 ; 网页结构分离 ;包装器
中图分类号 : TP39 1 文献标识码 : A
Fully Automatic Wrapper Generation f or Web Inf ormation Extraction
M EI Xue1 ,2 , CH EN G Xueqi 1 , GU O Yan 1 ,ZHAN G Gang1 , DIN G Guodong1
( 1. In stit ut e of Comp uting Technolo gy , Chinese Academy of Sciences , Beij ing 100080 , China ;
2 . Graduat e U niver sit y of Chinese Academy of Sciences , Beij ing 100049 , China)
Abstract : Web information ext raction ha s been a hot topic in recent year s. The challenge i s how to ext ract import ant
information f rom a lar ge number of web p ages a s quickly and accurat ely a s it can . In t hi s p ap er a novel met hod i s
p ropo sed for fully automatic wrapp er generation for Web information ext raction . Thi s met hod makes u se of
st ruct ure of Web t emplat es abundantly . It u ses Web Page Link_ Sort algorit hm and Web Page St ruct ure_ Sep erator
algorit hm to ext ract information f rom Web p ages and outp ut a wrapp er accor dingly . Exp eriment al result
文档评论(0)