基于XML的Web信息抽取分析-计算机应用技术专业论文.docxVIP

- - PAGE IV- 目 录 目 录 第一章 绪论 1 1.1 选题背景和意义 1 1.2 信息抽取的发展史 2 1.3 信息抽取和信息检索的区别 4 1.4 本文的研究内容 5 1.5 本文的组织 6 第二章 Web 的信息抽取技术 7 HYPERLINK \l _TOC_250013 2.1 Web 信息抽取 7 HYPERLINK \l _TOC_250012 2.2 Web 信息抽取技术的分类 8 2.2.1 手工方式的信息抽取 8 2.2.2 基于规则的信息抽取 9 2.3 Web 信息抽取常见方法 10 2.3.1 基于自然语言处理方式的信息抽取 10 2.3.2 基于包装器归纳学习的信息抽取 10 HYPERLINK \l _TOC_250011 2.3.3 基于 ontology 方式的信息抽取 11 HYPERLINK \l _TOC_250010 2.3.4 基于 HTML 结构的信息抽取 12 HYPERLINK \l _TOC_250009 第三章 XML 相关技术 13 HYPERLINK \l _TOC_250008 XML 13 HYPERLINK \l _TOC_250007 DTD 和 Schema 15 HYPERLINK \l _TOC_250006 XHTML 18 HYPERLINK \l _TOC_250005 DOM 19 XPath 20 HYPERLINK \l _TOC_250004 XSLT 21 第四章 基于 XML 的 Web 信息抽取的相关研究 26 HYPERLINK \l _TOC_250003 4.1 Web 页面的优化 26 HYPERLINK \l _TOC_250002 4.2 解析 XML 的各种方法比较 28 基于 XML 的 Web 信息抽取研究 DOM 解析 XML 文档 28 SAX 解析 XML 文档 29 JDOM 30 DOM4J 解析 XML 31 4.3 信息定位的方法研究 32 4.3.1 基于路径模式的定位 33 4.3.2 基于 XML 的文本定位 33 4.3.3 基于属性的定位 34 HYPERLINK \l _TOC_250001 4.4 基于最小 DOM 树的信息定位 35 HYPERLINK \l _TOC_250000 第五章 基于 XML 的 Web 信息抽取系统 36 5.1 设计的目标和思路 36 5.2 设计的总体框架 36 5.3 页面优化和解析模块 38 5.4 信息的定位和信息抽取 40 5.5 实验的设计和实验结果 42 第六章 总结 46 6.1 结论 46 6.2 进一步的工作 47 参考文献 49 致 谢 53 攻读硕士期间发表的学术论文目录 54 第一章 绪论 第一章 绪论 1.1 选题背景和意义 随着 World Wide Web 的广泛应用，互联网的信息资源呈几何级数增长，人 们通常是在搜索引擎中输入相关的关键字，而搜索引擎返回一系列的链接，用 户则需要打开返回的链接页面来寻找自己需要的信息，然而，由于搜索引擎先 天的缺陷，在返回的大量结果中存在着许多不相关的信息，有时候甚至花费大 量的精力和时间，却找不到需要的信息，淹没在信息的海洋里，让人们感到“到 处是水，却没有一滴可喝”，研究表明随着 Web 信息的增长，人们寻找自己需要 信息的难度也在增大，因此如何从浩瀚的 Web 数据中准确有效地抽取用户感兴 趣的信息成为急需解决的问题。 人们心目中获取信息的理想情况是像查询传统的关系数据库一样查询 Web 上的信息，即用户通过输入需要查询的信息模型，系统将返回相关信息的结果 的集合。信息抽取技术的出现为我们解决这类问题提供了的一种思路，信息抽 取技术是指从一段文本中抽取指定的事件、事实等信息,形成结构化的数据并存 储到数据库，供用户查询和使用的过程或者为数据检索和数据挖掘作准备的过 程[4]。 Web 上的信息是以网页的形式存在,网页是基于 HTML 语法的，而 HTML 是非 结构化或者说是半结构化[l][2]的语言,它的一个显著特点是结构隐含、不规则或 不完整，缺乏对数据本身的地描述。它们无法被计算机所理解，也无法像传统 的数据库那样，提供结构化的、功能强大的、高效的查询语句。结果使得 Web 上的信息处于杂乱无序的状态，数据集成性非常差，应用程序无法直接解析和 获取利用 Web 上海量的信息，给 Web 应用的建立造成了极大的困难[3]。 Web 信息抽取是指从 Web 页所包含的无结构或半结构的信息中识别用户感 兴趣的数据，并将其转化为结构化的、语义清楚的数据[5]。信