Deep Web查詢接口識(shí)別與抽取技術(shù)研究.pdf

1、訪問Web數(shù)據(jù)庫逐漸成為人們獲取信息的主要手段，因此如何以自動(dòng)的方式完成對(duì)Web數(shù)據(jù)庫中信息的有效利用成為研究的熱點(diǎn)。查詢接口是Deep Web數(shù)據(jù)庫的唯一訪問入口，通過向Deep Web查詢接口提交查詢是獲得其中信息的主要途徑。因此對(duì)查詢接口識(shí)別與抽取技術(shù)的研究在整個(gè)Deep Web數(shù)據(jù)集成系統(tǒng)中占有重要的地位。
　　查詢接口識(shí)別是從眾多網(wǎng)頁表單中識(shí)別出查詢接口。動(dòng)態(tài)網(wǎng)頁技術(shù)的發(fā)展，特別是JavaScript的出現(xiàn)，對(duì)表單的表現(xiàn)

2、形式和提交方式產(chǎn)生了很大影響。本文借助Rhino引擎，實(shí)現(xiàn)了JavaScript函數(shù)解析。并基于前人的研究成果，設(shè)計(jì)實(shí)現(xiàn)了一種基于最大熵模型的查詢接口識(shí)別方法。實(shí)驗(yàn)表明，該查詢接口識(shí)別方法的準(zhǔn)確率高達(dá)95％。
　　查詢接口抽取的難點(diǎn)在于控件與表示其語義信息的提示文本的匹配。本文首先將查詢接口按照結(jié)構(gòu)的不同分成了四種類別，然后針對(duì)不同結(jié)構(gòu)查詢接口的特點(diǎn)，給出了屬性匹配的方法，最后基于DOM實(shí)現(xiàn)了查詢接口的屬性抽取和匹配。在此方法的基