基于HTML的WEB就業(yè)信息抽取技術研究.pdf_第1頁
已閱讀1頁，還剩72頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

1、隨著計算機的普及和互聯(lián)網的發(fā)展，網絡已成為人們查找信息的重要渠道。Web作為巨大的數(shù)據源，從Web中抽取信息是當前信息研究的熱點之一。
　　隨著我國高校招生規(guī)模逐年擴大，給高校學生的培養(yǎng)及就業(yè)帶來了諸多壓力。我們希望從互聯(lián)網上獲得大量的就業(yè)信息，對專業(yè)建設和就業(yè)有一定的指導意義。互聯(lián)網的這些海量信息中，大多都是半結構化的HTML格式。HTML結構的文本并不嚴格，語義也不清晰，人們無法快速準確地找到需要的信息，所以如何快速準確地獲取

2、這些數(shù)據是亟待解決的問題。
　　因此，我們分析了就業(yè)信息網站中HTML網頁的特點，提出一種新的基于HTML結構的Web就業(yè)信息抽取模型。該模型由HTML結構預處理模塊、表格定位模塊和信息抽取模塊三個模塊組成。
　　首先我們利用JTidy對獲取的Web頁代碼進行清洗并轉化為XML文檔。再經過XML解析獲取Web頁的DOM樹。最后通過大量的觀察，我們形成啟發(fā)規(guī)則來定位“真”表格，設計實現(xiàn)了算法；考慮到表格的跨多行、跨多列的布局會

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論