基于主题和结构的xml网页的数据抽取

《基于主题和结构的xml网页的数据抽取》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、华侨大学硕士学位论文基于主题和结构的XML网页的数据抽取姓名：朱杰申请学位级别：硕士专业：计算机应用技术指导教师：吴扬扬20050616华侨大学硕士学位论史摘要近年来互联网正强有力的改变着世界。信息革命不仅极大地改变了人们的生活方式，而且带来了巨大的社会变革。互联网成了一个巨大的信息源，如何在庞杂的数据中准确地抽取出用户想要的信息成为一个非常重要的课题。随着Web的应用越来越广泛和深入，人们渐渐觉得HTML始终无法满足不断增长的需求，所以制订出了一种新的Web标记语言：XML。随着XML技术的不断发展，web上出现了

2、一些XML网页。本文针对XML网页，提出了一种基于树结构的Web数据抽取方法。本文重点研究如何从同一主题的XML网页中抽取出该类主题网页的一般模式，核心技术是通过解析)(1“L文档，按用户主题对解析后的样本XML文档进行模式抽取以及按照模式信息对目标XML文档进行数据抽取。在这里，模式信息实际上就是根据样本文档中符合用户主题的语义块，得到样本页包含相关信息的结构模式，样本页中的所有用户兴趣区域构成一组语义块，通过对语义块的比较和归纳学习，得到我们所需的该类主题的模式信息。然后根据得到的规则，从目标XML文档中寻找与之

3、匹配的信息，抽取出来提交给用户。关键词：XML，树结构，模式抽取，数据抽取华侨大学硕士学位论文—__—————-——————————___●-——’—————●-————————————___—-———__N_H————————h———————，一ABSTRACTInternethaschangedtheworldgreatlywithitspower．Inrecentyears，ittakesgreatchangetooursociety．InteractbecomesabigsourceofInformation

4、andhowtoretrieveuseful／nformafionfromcomplexdatapreciselylandcompletelybecomesaveryimportanttask．W油theincreasingapplicationofWeb．peoplefeetthatHTMLCannotfollowthestepoftheincreasingdemandandinventanewkindofWeblanguage一一XML．WiththedevelopmentofXMLtechnology，some

5、XMLpagesappearintheWeb．Inthispaperweputforwardaninformationextractionmethodforgiventopics．Thefollowing，wediscussatopicorientedpatternanddataextractingsystemforXMLdocumentandconcentrateontherealizationofthepattemanddataextractingalgorithmwepresented．Thecoretechn

6、ologyisparsingXMLdocument，extractingpattemanddatafromsampledocuments，Infact，paaeminformmionisthestructurepattemofsemanticblock．Wegetpatterninformmionofonetopicthroughcomparingsemanticblocks．WeextracttheinformationbasedontherulesandsubmitthereSulttotheclientKeyw

7、ords：XML，treestructure，PatternExtraction，DataExtractingX7343[；3华侨大学碗士学位论文第一章引言1．1问题的提出Imernet是当前世界上最大最流行的计算机网络，又称之为全球信息资源网。它起源于一个名叫ARPANET的广域网，该网是1969年由美国国防部高级研究计划署(A尉强)创办的一个实验性网络。最初只连接了位于不同地区的为数不多的几台计算机，其目的是在不同类型的计算机之间通信，寻求一种连接不同局域网和广域网的新方法，实现一个网络中的网络，即网际网。由于A

8、RPANET采用分布式的控制与处理，因此，它的一个或多个站点被破坏时，其他站点间的连接不受影响，它所具有的高可靠性使它得到了迅速发展，不断有新团体的网络加入，该网变得越来越大，功能也逐步完善起来，而如今互联网如同星火燎原一般迅速的在全球扩张起来。Intemet之所以a＆够迅速普及，并弓l起前所未有的反响，在于这项技术的作用已经远远超过信息产业的