基于HTML的信息抽取技術(shù)研究.pdf

1、分類號(hào)密級(jí)UDC學(xué)號(hào)桂林電子科技大學(xué)碩士學(xué)位論文題目題目基于HTML的信息抽取技術(shù)研究（英文）（英文）ResearchonInfmationExtractionTechnologyofHTML研究生姓名:林鵬指導(dǎo)教師姓名、職務(wù)指導(dǎo)教師姓名、職務(wù):高林高級(jí)工程師申請(qǐng)學(xué)科門類:工學(xué)學(xué)科、?？?、專業(yè):計(jì)算機(jī)應(yīng)用技術(shù)提交論文日期:2010年4月6日論文答辯日期:2010年6月12日2010年6月10日摘要–I–摘要隨著信息技術(shù)的飛速發(fā)展，瀏覽器

2、技術(shù)得到了不斷創(chuàng)新。但是不同瀏覽器之間所帶來(lái)的網(wǎng)頁(yè)兼容性問(wèn)題也變得愈發(fā)突出，網(wǎng)頁(yè)兼容性問(wèn)題已經(jīng)成為制約開(kāi)源軟件發(fā)展的瓶頸。目前幾乎所有的網(wǎng)站都包含大量非兼容性網(wǎng)頁(yè)元素，當(dāng)用戶通過(guò)不同瀏覽器訪問(wèn)這些網(wǎng)站時(shí)，將會(huì)得到不同的顯示效果。這種非正常顯示嚴(yán)重打擊了用戶的使用信心，甚至使部分用戶不再使用開(kāi)源軟件。本文針對(duì)上述問(wèn)題進(jìn)行研究，研究的主要內(nèi)容有：(1)在探討Web信息抽取技術(shù)的基礎(chǔ)上，根據(jù)Web頁(yè)面的特征，分析其結(jié)構(gòu)，提出一種網(wǎng)頁(yè)信息抽取的

3、可行性方法——基于HTML樹(shù)編輯距離的信息抽取方法。該方法通過(guò)考慮HTML標(biāo)簽表現(xiàn)特性進(jìn)而改進(jìn)樹(shù)編輯距離。根據(jù)HTML標(biāo)簽在瀏覽器中所顯示的數(shù)據(jù)對(duì)象的權(quán)賦予它們相應(yīng)的不同節(jié)點(diǎn)值；通過(guò)兩棵由HTML標(biāo)簽組成的，對(duì)應(yīng)頁(yè)面中數(shù)據(jù)對(duì)象構(gòu)成的帶權(quán)節(jié)點(diǎn)樹(shù)之間的比較，求得最大映射值來(lái)獲得其樣式匹配。實(shí)驗(yàn)表明，該方法比簡(jiǎn)單樹(shù)匹配方法更高效、更穩(wěn)定。(2)從HTML解析技術(shù)入手，結(jié)合Web信息抽取技術(shù)，設(shè)計(jì)了一個(gè)自主開(kāi)發(fā)的HTMLWrapper解析器方案

4、，并對(duì)它的組成部分詞典、詞法分析器以及語(yǔ)法分析器的設(shè)計(jì)做了詳細(xì)研究。信息抽取詳細(xì)方案的設(shè)計(jì)是本文的核心，其最大特色是抽取規(guī)則的語(yǔ)料庫(kù)設(shè)計(jì)和不同瀏覽器對(duì)HTML標(biāo)簽和屬性支持差異解決方案的設(shè)計(jì)。該方案的設(shè)計(jì)和應(yīng)用可以更好地提取出那些產(chǎn)生兼容性問(wèn)題的標(biāo)簽和屬性，并將這些標(biāo)簽和屬性加以改正。(3)在上述工作的基礎(chǔ)上，本文開(kāi)發(fā)了相應(yīng)的原型系統(tǒng)。該系統(tǒng)能夠更好地完成對(duì)網(wǎng)頁(yè)不兼容信息的抽取和改正，是一款符合HTML4.01規(guī)范的網(wǎng)頁(yè)信息抽取和測(cè)試系