| 一种全自动生成网页信息抽取Wrapper的方法 |
| |
| 引用本文： | 梅雪,程学旗,郭岩,张刚,丁国栋.一种全自动生成网页信息抽取Wrapper的方法[J].中文信息学报,2008,22(1):22-29. |
| |
| 作者姓名： | 梅雪 程学旗 郭岩 张刚 丁国栋 |
| |
| 作者单位： | 1.中国科学院 计算技术研究所,北京 100080; 2.中国科学院 研究生院,北京 100049
|
| |
| 基金项目： | 国家高技术研究发展计划(863计划) |
| |
| 摘 要： | Web网页信息抽取是近年来广泛关注的话题。如何最快最准地从大量Web网页中获取主要数据成为该领域的一个研究重点。文章中提出了一种全自动化生成网页信息抽取Wrapper的方法。该方法充分利用网页设计模版的结构化、层次化特点,运用网页链接分类算法和网页结构分离算法,抽取出网页中各个信息单元,并输出相应Wrapper。利用Wrapper能够对同类网页自动地进行信息抽取。实验结果表明,该方法同时实现了对网页中严格的结构化信息和松散的结构化信息的自动化抽取,抽取结果达到非常高的准确率。
|
| 关 键 词： | 计算机应用 中文信息处理 网页信息抽取 网页结构分离 包装器 |
| 文章编号： | 1003-0077（2008）01-0022-08 |
| 收稿时间： | 2007-05-21 |
| 修稿时间： | 2007-12-03 |
Fully Automatic Wrapper Generation for Web Information Extraction |
| |
| MEI Xue,CHENG Xue-qi,GUO Yan,ZHANG Gang,DING Guo-dong.Fully Automatic Wrapper Generation for Web Information Extraction[J].Journal of Chinese Information Processing,2008,22(1):22-29. |
| |
| Authors: | MEI Xue CHENG Xue-qi GUO Yan ZHANG Gang DING Guo-dong |
| |
| Affiliation: | 1. Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100080, China;
2.Graduate University of Chinese Academy of Sciences, Beijing 100049, China
|
| |
| Abstract: | Web information extraction has been a hot topic in recent years. The chaiienge is how to extract important information from a large number of web pages as quickly and accurately as it can. In this paper a novel method is proposed for fully automatic wrapper generation for Web information extraction. This method makes use of structure of Web templates abundantly. It uses Web Page Link Sort algorithm and Web Page Structure_Seperator algo rithm to extract information from Web pages and output a wrapper accordingly. Experimental results showed that this method performs well in both rigidly and loosely structured records in Web pages. |
| |
| Keywords: | computer application Chinese information processing Web information extraction Web structure se-perator wrapper |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
| 点击此处可从《中文信息学报》浏览原始摘要信息 |
|
点击此处可从《中文信息学报》下载全文 |
