基于XML的Web數(shù)據(jù)抽取技術的研究.pdf

1、web作為一個全球化信息空間，蘊含著巨大的潛在價值。盡管目前已對Web數(shù)據(jù)抽取技術進行了大量的研究工作，但是現(xiàn)有的技術還不能讓用戶滿意。XML為web提供了一致的數(shù)據(jù)模型和描述語言，已成為表示W(wǎng)eb中多樣性數(shù)據(jù)的事實標準。 論文通過對web數(shù)據(jù)抽取步驟的分析和研究，針對目前存在的問題，提出一種快捷、實用的基于XML的web數(shù)據(jù)抽取技術的解決方案，并對其中涉及的關鍵技術，如搜索策略、轉(zhuǎn)換算法、抽取方法等方面進行深入研究，期望為推進

2、本領域的發(fā)展作一點貢獻。 論文的主要內(nèi)容包括如下幾個方面： 1．提出了一種應用于小范圍Web的搜索策略：改進的HITS算法。該算法針對小范圍Web的鏈接結構特點，構造間接鏈接，并且根據(jù)用戶訪問的頻率對鏈接加權。改進的算法使得小范圍web的鏈接結構更接近萬維網(wǎng)的鏈接結構，同時鏈接加權輸入結合了用戶的反饋。理論和實驗證明算法是正確的。 2．提出了一種基于棧結構的IITML到XML的轉(zhuǎn)換算法。通過棧結構的概念，有效地將

3、HTML格式轉(zhuǎn)換為XML格式。簡化了數(shù)據(jù)抽取工作，方便地形成XML文檔，為處XML文檔、抽取出適當?shù)臄?shù)據(jù)作了鋪墊。 3．提出了XML數(shù)據(jù)抽取的健壯性標準，將該標準運用于XML數(shù)據(jù)抽取的區(qū)域定位和映射合并中，并分別給出了符合健壯性標準的合適方法，從而提高了數(shù)據(jù)抽取的效率。 4．原型系統(tǒng)的實現(xiàn)。根據(jù)上述三點的研究結果，結合數(shù)據(jù)抽取技術、XML技術和Java技術，提供了一個快速、通用的基于XML的web數(shù)據(jù)抽取原型系統(tǒng)，具有良