面向數(shù)字旅游網(wǎng)頁的Web信息抽取技術研究.pdf_第1頁
已閱讀1頁，還剩69頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

1、近年來 Web發(fā)展迅速，將 Web作為信息源的Web信息抽取也成為數(shù)據(jù)挖掘研究的一個重點。對 Web信息抽取的研究已經(jīng)取得了顯著的成果，提出了各種各樣Web信息抽取的方法，同時 Web信息抽取技術的應用領域也十分廣泛。本文主要將 Web信息抽取技術應用在數(shù)字旅游網(wǎng)頁上，抽取出用戶所關心的信息。
　　目前Web上的數(shù)據(jù)主要是用HTML語言描述的半結構化的數(shù)據(jù)，這些數(shù)據(jù)適合在瀏覽器上瀏覽，但是應用程序無法直接解析。本文通過對現(xiàn)有信息抽

2、取技術的深入分析和研究，提出了一種基于DOM的Web信息抽取的方法。通過分析了基于絕對路徑和相對路徑抽取規(guī)則，發(fā)現(xiàn)僅僅使用路徑這一特征作為抽取規(guī)則得到的結果并不是十分理想，由此提出了本文的特征比較法的信息抽取規(guī)則。
　　本文最后設計并實現(xiàn)了一個基于DOM的Web信息抽取系統(tǒng)，該系統(tǒng)首先將HTML網(wǎng)頁解析成 XML DOM樹，通過規(guī)則學習階段完成抽取規(guī)則的生成，并將抽取規(guī)則存入規(guī)則庫，最終獲得抽取后的文檔并存入關系數(shù)據(jù)庫中。實驗結果

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論