畢業(yè)設(shè)計（論文）基于web的信息提取技術(shù)研究

1、目錄目錄摘要摘要...........................................................................................................................................4第1章緒論章緒論................................................................

2、...............................................................51.1研究背景.........................................................................................................................51.2研究意義....................

3、.....................................................................................................51.3本文研究內(nèi)容.............................................................................................................

4、....61.4論文結(jié)構(gòu)安排.................................................................................................................6第2章Web信息抽取概述信息抽取概述..........................................................................

5、............................72.1Web信息抽取的發(fā)展歷史.............................................................................................72.2Web信息抽取的定義和Web信息的特點............................................................

6、........72.3Web信息抽取技術(shù)分析.................................................................................................82.3.1基于正則表達式的信息抽取.................................................................................8

7、2.3.2基于自然語言處理的信息抽取..............................................................................82.3.3基于本體的信息抽取.............................................................................................92.3.4基于包裝器歸納的信息

8、抽取.................................................................................92.3.5基于HTML結(jié)構(gòu)的信息抽取..................................................................................92.3.6基于Web查詢的信息抽取..................

9、..................................................................92.4本章小結(jié)........................................................................................................................9第3章基于基于XML技術(shù)的技術(shù)的Web信息抽取信息

10、抽取.............................................................................103.1概述..............................................................................................................................103.1.1問

11、題的提出...........................................................................................................103.1.2網(wǎng)頁的格式及XML技術(shù)的優(yōu)勢..........................................................................103.2Web信息抽取流程

12、.......................................................................................................113.3相關(guān)技術(shù)介紹..........................................................................................................

13、....113.3.1DOM模型...............................................................................................................113.3.2Xpath.................................................................................

14、......................................11第四章第四章基于基于XML技術(shù)的技術(shù)的Web信息抽取的實現(xiàn)信息抽取的實現(xiàn).................................................................124.1Web文檔的預(yù)處理.................................................................

15、......................................124.1.1將HTML文檔解析為DOM模型.........................................................................12316摘要摘要隨著互聯(lián)網(wǎng)的快速發(fā)展和普及，人們越來越依賴于網(wǎng)絡(luò)獲取信息。作為海量的信息來源，Web可以看成是一個巨大的數(shù)據(jù)庫，包含著各種各樣有價值的信息?；赪eb的信息

16、抽取技術(shù)就是研究如何從這些Web源中抽取出用戶感興趣的信息，并把這些抽取出的信息表示成更具有語義，更為結(jié)構(gòu)化的形式，以便加以利用。該技術(shù)起源于信息抽取技術(shù)，但由于Web信息的自身特點，該技術(shù)已經(jīng)和傳統(tǒng)的基于純文本的信息抽取技術(shù)有了很大的不同。目前，大量Web信息被保存在網(wǎng)站的后臺數(shù)據(jù)庫中，這些信息在網(wǎng)頁上的顯示有一些共同的特征，即通常把數(shù)據(jù)庫中的數(shù)據(jù)插入到網(wǎng)頁的一個模板中，其表現(xiàn)形式就是網(wǎng)頁的主體部分有多個局部信息塊組成，局部信息塊有多

17、個數(shù)據(jù)項構(gòu)成。這類網(wǎng)頁被稱為數(shù)據(jù)密集型(datarich)網(wǎng)頁，由于該類網(wǎng)頁富含大量有價值的信息，因此，研究如何對這類網(wǎng)頁進行Web信息抽取有重大的意義和實用價值。對于上述數(shù)據(jù)密集型網(wǎng)頁，本文采用基于XML的相關(guān)技術(shù)來解決Web信息的抽取問題。其解決方案是：首先獲得目標(biāo)網(wǎng)頁，并將該HTML文檔以文檔對象模型DOM為中介，轉(zhuǎn)換為形式上的XML文檔，然后根據(jù)這類網(wǎng)頁的特征，把該網(wǎng)頁中信息的布局視為基于行和列的二維表形式，用戶根據(jù)自身需求，通