首页 | 本学科首页   官方微博 | 高级检索  
     

基于页面标签的Web结构化数据抽取
引用本文:任仲晟 薛永生. 基于页面标签的Web结构化数据抽取[J]. 计算机科学, 2007, 34(10): 133-136
作者姓名:任仲晟 薛永生
作者单位:厦门大学计算机科学系,厦门,361005;厦门大学计算机科学系,厦门,361005
基金项目:国家自然科学基金 , 福建省自然科学基金 , 福建省科技计划
摘    要:本文研究了从dataintensive类型的web页面中提取结构化数据的问题,提出了基于页面标签的数据抽取算法。该算法先根据标签的显示位置及其大小判断不同标签元素之间的嵌套关系,并构造简化的HTML树Sim-HTree,有效地减少了识别数据记录的时间。在此基础上,提出子串匹配调整算法,对数据记录进行识别,标识数据项。实验表明,该算法是有效的。

关 键 词:Web数据抽取  Web挖掘  结构化数据  信息抽取

Structured Data Extraction Based on Web Page Tags
REN Zhong-Sheng,XUE Yong-Sheng. Structured Data Extraction Based on Web Page Tags[J]. Computer Science, 2007, 34(10): 133-136
Authors:REN Zhong-Sheng  XUE Yong-Sheng
Affiliation:Department of Computer Science, Xiamen University, Xiamen 361005
Abstract:This paper studies the problem of structured data extraction from data intensive Web pages.A novel ap- proach based on page tags is proposed to solve the problem.The proposed method identifies the nesting relationship be- tween different page tags according to the visual display location and the size on the screen and constructs the corre- sponding simplified HTML tree (SimHTree for short),which reduce the time cost for the identification of data record. As the second step of the data extraction problem,substring match and adjustment algorithm is proposed,which iden- tify the data record and data item.Experimental results show that the proposed method is effective and efficient.
Keywords:Web data extraction  Web mining  Structured data  Information extraction
本文献已被 CNKI 维普 万方数据 等数据库收录!
点击此处可从《计算机科学》下载全文
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号