基于Web的表格信息抽取研究.pdf

1、隨著Web信息爆炸式增長(zhǎng)，用戶要想從網(wǎng)上獲取信息變得越來(lái)越困難?！靶?br>　　 息過(guò)載”已經(jīng)成為一個(gè)亟待解決的問(wèn)題。而表格以其精簡(jiǎn)有效的信息表現(xiàn)形式，
　　 被大量應(yīng)用在Web信息的發(fā)布上。據(jù)統(tǒng)計(jì)，約有52％的Web頁(yè)面包含表格，對(duì)表格
　　 進(jìn)行信息抽取在數(shù)據(jù)挖掘等領(lǐng)域有重要意義。因此，本文提出了一種基于Web的
　　 表格信息抽取方法。
　　 Web表格信息抽取技術(shù)提出于上世紀(jì)九十年代。目前，主要

2、有基于包裝器
　　 （Wrapper）和結(jié)構(gòu)識(shí)別兩種方式。前者的通用性差，頁(yè)面結(jié)構(gòu)一旦改變，需要
　　 重新構(gòu)造包裝器。本文重點(diǎn)是對(duì)后面一種抽取技術(shù)的研究，設(shè)計(jì)并實(shí)現(xiàn)Web表格
　　 信息抽取系統(tǒng)，使其能自動(dòng)理解表格的結(jié)構(gòu)，實(shí)現(xiàn)信息的有效抽取。
　　 本文首先從網(wǎng)上獲取HTML頁(yè)，對(duì)其進(jìn)行清洗，除去其中包含的無(wú)用信息。因
　　 為HTML文檔對(duì)其格式完整性沒(méi)做嚴(yán)格的要求，會(huì)導(dǎo)致后面模塊中信息抽取失

3、敗，
　　 所以本文將HTML文檔轉(zhuǎn)換成結(jié)構(gòu)良好的XHTML文檔（XML子集），輸出的XML文檔
　　 中除了包含用戶感興趣的真表格以外，還包含用來(lái)進(jìn)行頁(yè)面布局的假表格。通過(guò)
　　 大量觀察，從真假表格的特征中形成啟發(fā)式規(guī)則，完成對(duì)真表格的定位。表格定
　　 位后，本文對(duì)表格結(jié)構(gòu)識(shí)別技術(shù)進(jìn)行了深入的分析。根據(jù)對(duì)標(biāo)題特征的分析，形
　　 成啟發(fā)式規(guī)則，確定出表格的展開(kāi)方式?？紤]到表格的跨多行、跨多列