基于DOM的Web信息抽取系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn).pdf_第1頁(yè)
已閱讀1頁(yè),還剩60頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶(hù)提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、Internet的快速發(fā)展使Web已經(jīng)成為人們獲取信息的主要途徑,但是隨著網(wǎng)頁(yè)數(shù)量的激增和無(wú)關(guān)信息的充斥,使得人們想快速準(zhǔn)確地獲取自己需要的信息變得十分困難。同時(shí)隨著“模板+數(shù)據(jù)庫(kù)”型網(wǎng)頁(yè)的大量出現(xiàn),Internet上出現(xiàn)了被稱(chēng)為“暗藏網(wǎng)”(the hidden web)的巨大信息資源庫(kù),據(jù)估計(jì)因特網(wǎng)上80%的內(nèi)容存在于這種看不見(jiàn)的因特網(wǎng)中,這些網(wǎng)頁(yè)是搜索引擎的“網(wǎng)絡(luò)爬蟲(chóng)”抓不到的。加之,Internet上的各個(gè)網(wǎng)站的信息相互獨(dú)立,收集

2、起來(lái)十分困難,在這種情況下,通常的搜索引擎發(fā)揮的作用微乎其微,而Web信息抽取技術(shù)顯得十分必要。
   通過(guò)對(duì)現(xiàn)有信息抽取技術(shù)的總結(jié)和分析,結(jié)合“模板+數(shù)據(jù)庫(kù)”型網(wǎng)頁(yè)的特點(diǎn),提出了基于DOM結(jié)構(gòu),利用Xpath表述網(wǎng)頁(yè)待抽取信息點(diǎn)的位置,用XSLT描述抽取規(guī)則的半自動(dòng)化的抽取方案。并在此基礎(chǔ)上,實(shí)現(xiàn)了一個(gè)抽取規(guī)則適用性較強(qiáng),自動(dòng)化程度較高的Web信息抽取系統(tǒng)。系統(tǒng)的實(shí)現(xiàn)分為樣本學(xué)習(xí)、信息抽取和數(shù)據(jù)庫(kù)存儲(chǔ)三個(gè)階段來(lái)完成。其中學(xué)習(xí)階

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶(hù)所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶(hù)上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶(hù)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(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶(hù)因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論