基于XML的Web信息抽取设计与实现-计算机应用技术专业论文.docxVIP

PAGE PAGE IV 目 录 中文摘要 I 英文摘要II １绪论 1 1.1 论文选题的背景及意义 1 1.2 国内外现状综述 1 1.3 论文的内容及组织 3 HYPERLINK \l _TOC_250011 2 XML 技术标准与 Web 信息抽取技术 5 HYPERLINK \l _TOC_250010 XML 技术标准 5 HYPERLINK \l _TOC_250009 XML 技术介绍 5 HYPERLINK \l _TOC_250008 XHTML 8 HYPERLINK \l _TOC_250007 DOM 9 HYPERLINK \l _TOC_250006 XSLT 9 HYPERLINK \l _TOC_250005 2.2 Web 信息抽取技术介绍 10 HYPERLINK \l _TOC_250004 2.2.1 Web 信息抽取技术概述 10 HYPERLINK \l _TOC_250003 2.2.2 Web 信息抽取技术的分类 11 HYPERLINK \l _TOC_250002 2.2.3 Web 信息抽取的应用 16 2.2.4 信息抽取系统的评测指标 16 2.3 本章小结 17 HYPERLINK \l _TOC_250001 3 基于 XML 的 Web 信息抽取方法 18 3.1 引言 18 HYPERLINK \l _TOC_250000 3.2 现有的 Web 页面信息抽取的相关方法 18 3.2.1 手工方式的信息抽取 18 3.2.2 半自动化的信息抽取 19 3.2.3 自动（基于规则）的信息抽取 20 3.3 基于树型结构的 Web 数据抽取规则 21 3.3.1 用树型结构表示 Web 文档 21 3.3.2 算法总体思路 21 3.3.3 抽取数据的 XML 输出 24 3.4 XML 的 数据访问机制 25 XML 数据岛 25 使用 DOM 访问 XML 文档 26 3.5 本章小结 30 4 XML 信息抽取的健壮性 31 4.1 引言 31 4.2 问题描述 31 4.3 健壮性标准 32 4.4 区域定位 33 4.4.1 使用唯一的 ID 33 4.4.2 搜索相似上下文 33 4.4.3 遍历树节点 34 4.5 数据映射以及合并 37 4.5.1 数据映射 37 4.5.2 数据合并 38 4.6 本章小结 38 5 信息抽取原型系统的设计与实现 40 5.1 需求分析 40 5.1.1 基于规则的自动抽取 40 5.1.2 基于人工的手动抽取 41 5.1.3 系统用例设计及分析 41 5.2 原型系统总体框架设计 42 5.2.1 系统功能模块设计 42 5.2.2 系统体系结构设计 43 5.2.3 功能模块的介绍 43 5.3 原型系统的实现及评价 45 5.3.1 系统实现环境 45 5.3.2 原型系统评价策略 46 5.4 本章小结 47 6 结论 48 6.1 论文总结 48 6.2 工作展望 48 致 谢 50 参考文献 51 附 录 54 PAGE PAGE 10 1 绪论 1.1 论文选题的背景及意义 今天，互联网已经成为最为流行的信息发布媒介。互联网使人们无论是发布 还是阅读信息都变得极为方便。然而，随着互联网信息爆炸性的增长，人们想要 获取一条自己想要的信息却变得像大海捞针一般困难。如何有效、快速地搜索所 需信息成为亟待解决的问题。在这种背景下，搜索引擎出现了。它帮助人们通过 给定的关键词来获取相关的页面。然而，搜索引擎只是部分缓解了信息搜索的问 题，结果并不能十分令人满意。不足之处表现在三个方面： ① 给出了相关页面的链接，用户还是需要通过手工浏览网页才能找到相关信 息。 ② 结果不准确。大量的搜索结果都是用户不想要的。 ③ 检索模式简单。无法提供类似 SQL 这样强大的查询语言。由于无法定制精 确的查询，想要获取精确的结果是不可能的。 最理想的情形是：互联网作为一个信息源能像数据库一样被查询。目前 Web 数据大都以 HTML 形式出现，缺乏对数据本身的描述，不含清晰的语义信息，模 式也不太明确。这使得应用程序无法直接解析并利用 Web 上的海量信息，为了增 强 Web 数据的可用性，出现了 Web 信息抽取技术，它通过包装现有 Web 信息源， 将网页上的信息以更为结构化的方式抽取出来，为应用程序利用 Web 中的数据提 供了可能。现有的 Web 信息抽取技术不但可以直接定位到用户所需的信息，而且 采用一定的方式增加了语义和模式信息，为 Web 查询提供