可視化網(wǎng)頁信息抽取系統(tǒng)的設(shè)計與實現(xiàn).pdf

1、隨著Internet上信息的迅猛增長，Web已成為信息的海洋，如何從這片遍布全球的信息海洋中快速準(zhǔn)確的獲取所需要的信息已成為一個極具現(xiàn)實意義的重大課題。Web信息抽取技術(shù)正是在這樣的背景下應(yīng)運而生的。 分裝器(Wrapper)技術(shù)是當(dāng)前Web信息抽取廣泛采用的一種技術(shù)，針對分裝器生成問題，人們提出了各種各樣的方法，但這些方法都有其應(yīng)用的局限性。 本文在利用國內(nèi)外成果的基礎(chǔ)上，進(jìn)行了一些有益的探索，提出了一種新型的基于工作

2、流的Web信息抽取機制，意在通過提供大量的信息抽取功能組件來簡化信息抽取分裝器程序的開發(fā)。所做的研究工作主要包括： (1)改進(jìn)了傳統(tǒng)的基于DOM樹的頁面分析技術(shù)，從增強系統(tǒng)易用性的角度出發(fā)，使用一個Java瀏覽器引擎設(shè)計了一個小型的系統(tǒng)內(nèi)嵌瀏覽器，使用戶能夠直接在樣本頁面中通過鼠標(biāo)來靈活的定義需要抽取的各種信息，如文本、圖片、表格等等。 (2)將工作流技術(shù)應(yīng)用到信息抽取系統(tǒng)中，設(shè)計了信息抽取工作流的基本模型，實現(xiàn)了一個可

3、視化的信息抽取工作流模型定義工具，使用戶能夠定義自己的抽取流程，同時系統(tǒng)能夠模擬用戶瀏覽網(wǎng)頁時的一些基本動作，如翻頁、提交表單、輸入等等，使得信息抽取就像平時我們自己上網(wǎng)搜尋信息一樣。 (3)設(shè)計實現(xiàn)了一個可擴展的信息抽取動作框架，使用戶能夠擴充自己的信息抽取算法。同時實現(xiàn)了大量的信息抽取原子動作，如文本抽取、圖片抽取、提交表單、輸入文字、遍歷標(biāo)簽等等。 本文的創(chuàng)新所在是將工作流機制引入了信息抽取系統(tǒng)的設(shè)計之中，并提供了