隨著Web技術(shù)的迅猛發(fā)展,使得Web網(wǎng)頁(yè)成為信息發(fā)布的主要載體也是人們獲取信息的主要渠道之一,大量的數(shù)據(jù)以Web網(wǎng)頁(yè)形式存儲(chǔ)在互聯(lián)網(wǎng)上,因?yàn)镠TML編碼風(fēng)格各異,使得人們無(wú)法直接從Web網(wǎng)頁(yè)中抽取出結(jié)構(gòu)化數(shù)據(jù),造成了資源的極大浪費(fèi)。為了能夠獲取互聯(lián)網(wǎng)中龐大的數(shù)據(jù),人們提出了各種網(wǎng)頁(yè)數(shù)據(jù)抽取方法。根據(jù)抽取目標(biāo)的不同,可將網(wǎng)頁(yè)數(shù)據(jù)抽取分為兩種類型:（1）網(wǎng)頁(yè)正文內(nèi)容抽取,主要針對(duì)文章類型網(wǎng)頁(yè)中的正文內(nèi)容進(jìn)行抽取。（2）網(wǎng)頁(yè)結(jié)構(gòu)化數(shù)據(jù)抽取,主要針對(duì)網(wǎng)頁(yè)中存在的實(shí)例對(duì)象進(jìn)行抽取。本文針對(duì)這兩種不同的抽取目標(biāo)分別提出了對(duì)應(yīng)的抽取方法。針對(duì)網(wǎng)頁(yè)正文抽取,因?yàn)閃eb網(wǎng)頁(yè)中除了包含正文內(nèi)容外,還包含導(dǎo)航條、廣告、版權(quán)聲明等與主題無(wú)關(guān)的噪音信息。這些龐大的噪音信息給網(wǎng)頁(yè)正文抽取帶來(lái)了巨大的挑戰(zhàn)。因此,本文提出一種基于網(wǎng)頁(yè)聚類的正文信息抽取方法,該方法主要有兩個(gè)部分組成:第一,基于網(wǎng)頁(yè)的結(jié)構(gòu)特征對(duì)網(wǎng)頁(yè)進(jìn)行聚類;第二,面向相似網(wǎng)頁(yè)集合的正文內(nèi)容塊的位置特征生成。采用該方法可以從多種類型的網(wǎng)頁(yè)中抽取正文內(nèi)容信息。針對(duì)網(wǎng)頁(yè)結(jié)構(gòu)化數(shù)據(jù)抽取,目前主要采用DOM樹(shù)路徑來(lái)作為抽取規(guī)則。然而,基于DOM路徑的抽取規(guī)則使得... 

【文章來(lái)源】：福州大學(xué)福建省 211工程院校

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１－１中國(guó)網(wǎng)民規(guī)模和話聯(lián)網(wǎng)普及率??Ｗｅｂ息抽取可分為兩種類型：（１）網(wǎng)頁(yè)正文抽取，主要針對(duì)網(wǎng)頁(yè)中的正文??

Ｗｅｂ?網(wǎng)頁(yè)主要是由?ＨＴＭＬ?文檔組成的，ＨＴＭＬ?（Ｈｙｐｅｒ?Ｔｅｘｔ?Ｍａｒｋｕｐ?Ｌａｎｇｕａｇｅ）??超文本標(biāo)記語(yǔ)言，是一種標(biāo)記語(yǔ)言，使用標(biāo)記標(biāo)簽來(lái)描述網(wǎng)頁(yè)。ＨＴＭＬ是一種規(guī)??范，一種標(biāo)準(zhǔn)，它通過(guò)標(biāo)記符號(hào)來(lái)標(biāo)記要顯示的網(wǎng)頁(yè)中的各個(gè)部分［４］，圖２－１是一??個(gè)簡(jiǎn)單的ＨＴＭＬ文檔和對(duì)應(yīng)在ＩＥ瀏覽器下的顯示效果。ＨＴＭＬ語(yǔ)言中包含有各??種各樣的標(biāo)簽，常見(jiàn)的類型有文檔標(biāo)簽、布局標(biāo)簽、表格標(biāo)簽、列表標(biāo)簽和文章??標(biāo)簽，具體如表２－１所示。在ＨＴＭＬ標(biāo)簽中通常有三種類型的屬性：ｉｄ、ｃｌａｓｓ、??ｓｔｙｌｅ。ｉｄ是標(biāo)簽的標(biāo)識(shí)，ｃｌａｓｓ是標(biāo)簽所屬的類，用于指定元素顯示樣式的類，ｓｔｙｌｅ??用于指定標(biāo)簽的顯示風(fēng)格。??一＜＇〇ｏｃｎｆＰＥ?ｆｃｔａａ＞｜?料？／??＇Ｗｏ．＜ｄ．Ｋｔｍｌ?ｊ??４?ｎ？１ｎｉｍｎ—娜娜－?－—?？??酋文雜鄉(xiāng)？?ｓａｗ?＿Ａ＞膚鴨（Ｈ）??￥?卜?會(huì)??ｉ?８？ｎ〇?ｗｏｒｌｄ＊?Ｈｅｌｌｏ?Ｗｏｒｌｄ？??ｔ?卜??圖２－１?ＨＴＭＬ實(shí)例??ＨＴＭＬ是半結(jié)構(gòu)化的，因此我們無(wú)法直接從ＨＴＭＬ中抽取出結(jié)構(gòu)化數(shù)據(jù)。為??了方便處理ＨＴＭＬ，人們通常將其轉(zhuǎn)化為樹(shù)型結(jié)構(gòu)，如圖２－２為圖２－１中ＨＴＭＬ??對(duì)應(yīng)的ＤＯＭ樹(shù)模型。ＤＯＭ?（Ｄｏｃｕｍｅｎｔ?Ｏｂｊｅｃｔ?Ｍｏｄｅｌ）是文檔對(duì)象模型的簡(jiǎn)稱⑶，??專門使用于ＨＴＭＬ、ＸＭＬ等文檔對(duì)象模型，它將網(wǎng)頁(yè)中的各個(gè)標(biāo)簽元素看作ＤＯＭ??樹(shù)節(jié)點(diǎn)的對(duì)象

Ｗｅｂ?網(wǎng)頁(yè)主要是由?ＨＴＭＬ?文檔組成的，ＨＴＭＬ?（Ｈｙｐｅｒ?Ｔｅｘｔ?Ｍａｒｋｕｐ?Ｌａｎｇｕａｇｅ）??超文本標(biāo)記語(yǔ)言，是一種標(biāo)記語(yǔ)言，使用標(biāo)記標(biāo)簽來(lái)描述網(wǎng)頁(yè)。ＨＴＭＬ是一種規(guī)??范，一種標(biāo)準(zhǔn)，它通過(guò)標(biāo)記符號(hào)來(lái)標(biāo)記要顯示的網(wǎng)頁(yè)中的各個(gè)部分［４］，圖２－１是一??個(gè)簡(jiǎn)單的ＨＴＭＬ文檔和對(duì)應(yīng)在ＩＥ瀏覽器下的顯示效果。ＨＴＭＬ語(yǔ)言中包含有各??種各樣的標(biāo)簽，常見(jiàn)的類型有文檔標(biāo)簽、布局標(biāo)簽、表格標(biāo)簽、列表標(biāo)簽和文章??標(biāo)簽，具體如表２－１所示。在ＨＴＭＬ標(biāo)簽中通常有三種類型的屬性：ｉｄ、ｃｌａｓｓ、??ｓｔｙｌｅ。ｉｄ是標(biāo)簽的標(biāo)識(shí)，ｃｌａｓｓ是標(biāo)簽所屬的類，用于指定元素顯示樣式的類，ｓｔｙｌｅ??用于指定標(biāo)簽的顯示風(fēng)格。??一＜＇〇ｏｃｎｆＰＥ?ｆｃｔａａ＞｜?料？／??＇Ｗｏ．＜ｄ．Ｋｔｍｌ?ｊ??４?ｎ？１ｎｉｍｎ—娜娜－?－—?？??酋文雜鄉(xiāng)？?ｓａｗ?＿Ａ＞膚鴨（Ｈ）??￥?卜?會(huì)??ｉ?８？ｎ〇?ｗｏｒｌｄ＊?Ｈｅｌｌｏ?Ｗｏｒｌｄ？??ｔ?卜??圖２－１?ＨＴＭＬ實(shí)例??ＨＴＭＬ是半結(jié)構(gòu)化的，因此我們無(wú)法直接從ＨＴＭＬ中抽取出結(jié)構(gòu)化數(shù)據(jù)。為??了方便處理ＨＴＭＬ，人們通常將其轉(zhuǎn)化為樹(shù)型結(jié)構(gòu)，如圖２－２為圖２－１中ＨＴＭＬ??對(duì)應(yīng)的ＤＯＭ樹(shù)模型。ＤＯＭ?（Ｄｏｃｕｍｅｎｔ?Ｏｂｊｅｃｔ?Ｍｏｄｅｌ）是文檔對(duì)象模型的簡(jiǎn)稱⑶，??專門使用于ＨＴＭＬ、ＸＭＬ等文檔對(duì)象模型，它將網(wǎng)頁(yè)中的各個(gè)標(biāo)簽元素看作ＤＯＭ??樹(shù)節(jié)點(diǎn)的對(duì)象

【參考文獻(xiàn)】：
期刊論文
[1]基于標(biāo)簽路徑特征融合的在線Web新聞內(nèi)容抽取[J]. 吳共慶,胡駿,李莉,徐喆昊,劉鵬程,胡學(xué)鋼,吳信東.  軟件學(xué)報(bào). 2016(03)
[2]一種基于節(jié)點(diǎn)密度分割和標(biāo)簽傳播的Web頁(yè)面挖掘方法[J]. 張乃洲,曹薇,李石君.  計(jì)算機(jī)學(xué)報(bào). 2015(02)
[3]頁(yè)面包裝器自動(dòng)生成的改進(jìn)算法[J]. 李文奇,張忠能.  計(jì)算機(jī)工程與應(yīng)用. 2004(22)
[4]信息抽取研究綜述[J]. 李保利,陳玉忠,俞士汶.  計(jì)算機(jī)工程與應(yīng)用. 2003(10)

碩士論文
[1]基于網(wǎng)頁(yè)結(jié)構(gòu)聚類的Web信息提取技術(shù)研究[D]. 廖浩偉.西南交通大學(xué) 2013
[2]基于半自動(dòng)化WEB數(shù)據(jù)抽取器的信息集成研究[D]. 吳俊霖.西南大學(xué) 2010



本文編號(hào)：3035248