基于網(wǎng)站結(jié)構(gòu)分析頁面信息提取的方法研究.pdf

1、隨著Internet應用的飛速發(fā)展，WWW已經(jīng)發(fā)展成為一個巨大的分布式信息空間，為用戶提供了一個極具價值的信息源。但因Internet所固有的開放性、動態(tài)性與異構(gòu)性，又使得用戶很難準確快捷地從WWW上獲取所需的信息。如何快速、準確地從浩瀚的信息資源中尋找到所需信息已經(jīng)成為困擾網(wǎng)絡用戶的一大難題。本文針對Web信息精確獲取的需要，研究了基于網(wǎng)站結(jié)構(gòu)的精確獲取網(wǎng)頁內(nèi)容信息所涉及的技術(shù)，并將這些技術(shù)有機地結(jié)合在一起，系統(tǒng)地討論了基于網(wǎng)站結(jié)構(gòu)分

2、析頁面信息提取的方法研究。 網(wǎng)頁內(nèi)容信息獲取是信息挖掘技術(shù)中一個重要技術(shù)，是指從Web上大量的信息中得到數(shù)據(jù)對象間的內(nèi)在特征，并以此為依據(jù)進行有目的的信息獲取的方法。它涉及到計算機網(wǎng)絡、數(shù)據(jù)挖掘、文本處理、人工智能等多個領域。本文首先對以前的WEB獲取技術(shù)進行了全面的回顧，并總結(jié)了當前搜索工具所存在的主要問題及局限性，如檢索方式不科學，索引方法不合理，結(jié)果顯示單一，個性化能力差等。然后，提出了基于網(wǎng)站結(jié)構(gòu)分析頁面信息提取的方法，

3、重點研究了生成網(wǎng)站結(jié)構(gòu)、相似頁面的判斷、生成自適應模板以及生成目標XML等涉及的主要技術(shù)及算法研究，提出了一個網(wǎng)頁頁面內(nèi)容精確獲取的解決方案。 本文通過獲取網(wǎng)站的所有頁面，根據(jù)這些頁面的內(nèi)容以及這些頁面之間的鏈接關(guān)系，結(jié)合URL(UniformResourceLocator)之間的相似性，計算網(wǎng)站的結(jié)構(gòu)，并根據(jù)網(wǎng)站的結(jié)構(gòu)和頁面的內(nèi)容特征將頁面進行歸類，然后對同一類的頁面進行信息模板的自動生成，并將信息模板的結(jié)構(gòu)生成目標XML。在