基于XML的HTML表格信息抽取方法.pdf

1、隨著計(jì)算機(jī)的普及和互聯(lián)網(wǎng)的迅猛發(fā)展，Web上形成了大量的電子化文檔，其中蘊(yùn)涵著諸多可用的信息。因此，在信息抽取技術(shù)(Information Extraction：IE)發(fā)展基礎(chǔ)上的Web信息抽取成為近年來的研究熱點(diǎn)。另一方面，Web文檔中的HTML表格作為一種信息表現(xiàn)形式愈發(fā)重要，有研究表明52％的Web文檔都包含有

2、一步的研究。
　　 通過對(duì)國(guó)內(nèi)外技術(shù)進(jìn)行分析研究，本文將HTML表格信息抽取分為三個(gè)階段，分別是表格定位、表格結(jié)構(gòu)分析和表格內(nèi)容信息抽取。表格定位是指從包含大量噪音數(shù)據(jù)、結(jié)構(gòu)復(fù)雜的Web頁面中定位并識(shí)別出目標(biāo)表格所在區(qū)域，采用基于啟發(fā)式規(guī)則的方法，在對(duì)大量頁面進(jìn)行觀察的基礎(chǔ)上，總結(jié)規(guī)律，制定規(guī)則；同時(shí)為了應(yīng)用規(guī)則將DOM樹改造為以

3、構(gòu)識(shí)別是在此基礎(chǔ)上對(duì)HTML表格作進(jìn)一步研究，本文以單元格之間的差異為基礎(chǔ)，計(jì)算生成表格整體行、列差異值，通過比較二者大小確定表格展開方式。表格內(nèi)容信息抽取是指對(duì)表格內(nèi)用戶感興趣的目標(biāo)數(shù)據(jù)實(shí)施具體抽取，本文采用基于封裝器的方法，對(duì)于不同信息源，選取樣例表格，經(jīng)過抽取規(guī)則生成算法學(xué)習(xí)生成具體抽取規(guī)則，進(jìn)而構(gòu)造封裝器，不同封裝器組成規(guī)則庫，再通過信息抽取實(shí)施模塊對(duì)其他表格進(jìn)行操作。為了實(shí)現(xiàn)封裝器自動(dòng)生成，本文還引入了領(lǐng)域知識(shí)，由計(jì)算機(jī)自動(dòng)生