基于HTML的信息抽取技術研究.pdf

1、分類號密級UDC學號桂林電子科技大學碩士學位論文題目題目基于HTML的信息抽取技術研究（英文）（英文）ResearchonInfmationExtractionTechnologyofHTML研究生姓名:林鵬指導教師姓名、職務指導教師姓名、職務:高林高級工程師申請學科門類:工學學科、專科、專業(yè):計算機應用技術提交論文日期:2010年4月6日論文答辯日期:2010年6月12日2010年6月10日摘要–I–摘要隨著信息技術的飛速發(fā)展，瀏覽器

2、技術得到了不斷創(chuàng)新。但是不同瀏覽器之間所帶來的網(wǎng)頁兼容性問題也變得愈發(fā)突出，網(wǎng)頁兼容性問題已經(jīng)成為制約開源軟件發(fā)展的瓶頸。目前幾乎所有的網(wǎng)站都包含大量非兼容性網(wǎng)頁元素，當用戶通過不同瀏覽器訪問這些網(wǎng)站時，將會得到不同的顯示效果。這種非正常顯示嚴重打擊了用戶的使用信心，甚至使部分用戶不再使用開源軟件。本文針對上述問題進行研究，研究的主要內(nèi)容有：(1)在探討Web信息抽取技術的基礎上，根據(jù)Web頁面的特征，分析其結構，提出一種網(wǎng)頁信息抽取的

3、可行性方法——基于HTML樹編輯距離的信息抽取方法。該方法通過考慮HTML標簽表現(xiàn)特性進而改進樹編輯距離。根據(jù)HTML標簽在瀏覽器中所顯示的數(shù)據(jù)對象的權賦予它們相應的不同節(jié)點值；通過兩棵由HTML標簽組成的，對應頁面中數(shù)據(jù)對象構成的帶權節(jié)點樹之間的比較，求得最大映射值來獲得其樣式匹配。實驗表明，該方法比簡單樹匹配方法更高效、更穩(wěn)定。(2)從HTML解析技術入手，結合Web信息抽取技術，設計了一個自主開發(fā)的HTMLWrapper解析器方案

4、，并對它的組成部分詞典、詞法分析器以及語法分析器的設計做了詳細研究。信息抽取詳細方案的設計是本文的核心，其最大特色是抽取規(guī)則的語料庫設計和不同瀏覽器對HTML標簽和屬性支持差異解決方案的設計。該方案的設計和應用可以更好地提取出那些產(chǎn)生兼容性問題的標簽和屬性，并將這些標簽和屬性加以改正。(3)在上述工作的基礎上，本文開發(fā)了相應的原型系統(tǒng)。該系統(tǒng)能夠更好地完成對網(wǎng)頁不兼容信息的抽取和改正，是一款符合HTML4.01規(guī)范的網(wǎng)頁信息抽取和測試系