基于xml的web数据抽取技术的研究

《基于xml的web数据抽取技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中南大学硕士学位论文基于XML的Web数据抽取技术的研究姓名：吴相智申请学位级别：硕士专业：计算机应用技术指导教师：刘卫国20050401摘要Web作为一个全球化信息空间，蕴含着巨大的潜在价值。尽管目前己对Web数据抽取技术进行了大量的研究工作，但是现有的技术还不能让用户满意。XML为Web提供了一致的数据模型和描述语言，已成为表示Web中多样性数据的事实标准。论文通过对Web数据抽取步骤的分析和研究，针对目前存在的问题，提出一种快捷、实用的基于XML的Web数据抽取技术的解决方案，并对其中涉及的关键技术，如搜索策略、转换算法、

2、抽取方法等方面进行深入研究，期望为推进本领域的发展作一点贡献。论文的主要内容包括如下几个方面：1．提出了一种应用于小范围Web的搜索策略：改进的HITS算法。该算法针对小范围Web的链接结构特点，构造间接链接，并且根据用户访问的频率对链接加权。改进的算法使得小范围Web的链接结构更接近万维网的链接结构，同时链接加权输入结合了用户的反馈。理论和实验证明算法是正确的。2．提出了一种基于栈结构的HTML至IjXML的转换算法。通过栈结构的概念，有效地将HTML格式转换为XML格式。简化了数据抽取工作，方便地形成XML文档，为处理XML

3、文档、抽取出适当的数据作了铺垫。3．提出了XML数据抽取的健壮性标准，将该标准运用于XML数据抽取的区域定位和映射合并中，并分别给出了符合健壮性标准的合适方法，从而提高了数据抽取的效率。4．原型系统的实现。根据上述三点的研究结果，结合数据抽取技术、XML技术矛nJava技术，提供了一个快速、通用的基于XML的Web数据抽取原型系统，具有良好的适应性和可移植性。关键词数据抽取，XML技术，链接结构，栈，健壮性ABSTRACTAstheglobalinformationspace．W色bcontainslargepotentialv

4、alue．MuchresearchhasfocusedonthestudyofWebdataextraction，whileitscurrentstatusiSstillfarfromsatisfactionofWebusers．XMehasbecomethestandardtorepresentdatainWebanditprovidesauniforrndatamodelforWebdata．ThedissertationreviewsthestateofWebdataextractionandpresentsafastap

5、plicableWebdataextractionmethodbasedonXML．Thefurtherstudyismadeforsomekeytechnologies，suchassearchstrategy．transformationalgorithmandextractionmethod．Wewishtomakesomecontributionsfordataextraction．ThemaincontributionsofthisPaDerincludethefollowings．1．Thedissertationp

6、resentsamodifiedHITSalgorithminsmallWebsearch．Accordingtothecharacteristicoflinkstructure，weconstructimplicitlinksinsmallWeb，andweightlinksaccordingtohowoftentheywereaccessed．ThenewlinkstructureofasmallWebiSclosetothatoftheglobalWeb．andweightlinkscombinewithusers’fee

7、dback．TheoryandexperimentshowthatthemodifiedalgorithmiScorrect．2．Astack．basedHTM[LtoXM凡transformationapproachiSputforward．Itsimplifiesdataextractionandgetsreadyforextractappropriatedata．3．ThecriterionofrobustdataextractioninXMLiSproposed．ThecriterioniSappliedinXⅣ匝dat

8、aextraction：Iocationspecialareaandmappingmergingdata．Goodmethodsareprovidedforeach．Theresultsshowthatthemethodsareeffective．4．Thepr