Web表格信息抽取技术研究.pdfVIP

35№4A 计算机科学∞08VoL Web表格信息抽取技术的研究 袁鸿雁 沈阳职业技术学院沈阳110045 HTML{#*敷枯日^吝．机器{＆g解扣童琦，论i 摘要i联日j有太量#患柬月HTML表格表}，☆f *≈构mm进行T分析．最E￡m基十t目奉俸时表橹##进H抽取。 关键词DOM树，袁#￡t．袁格≈∞*Ⅲ，奉* 作过程为：待处理的包古表格的HTML文档首先进^表格 引言 定位模块，在n模块中滤除非数据表格和非用户感兴趣的数 Web表格作为一种简洁有靛的数据信息表达方式，在各 据表格等额外的信息，识别出满足要求的数据表格，然后进人 种领域的Web阿页中都有着十分广泛的应用。据统计．约有 表格结构识别模块，在该模块中识别＆表格的月开方式和表 HTML， 52％的Web页面包含表格“一。Web表格主要基f 格属性行(列)数据单元格所在的位置．最后按照抽取规则完 由fHTML只描连数据怎样＆示而缺乏对数据本身的描成表格的属性与本体中概念的映射，抽取自所需要的数据，存 ^数据库中。HTML文档的获取“墨奉捧的建立不是率文 述，再加上Web表格表现形式的复杂多样性，因此4解Web 表格结构从中抽取出有效的信息就变得非常的困难，从Web 研究的内容．因此在本文中丰涉及。 表格中抽取信息也就成为Web信息抽取领域重要且有价值 3 Web表格定位 的研究课题之一。近年来国内外很多学者W研究机构都参与 到这个研究领域中，也产生了多种抽取方法，这些方法各有特 表格定位是指在阿页中找到感若趣的表格位置。HT。 点，概括起来主要有如下凡类手I方式的信息抽取、机器学 ML页面中表格是由(table)元素标识的。在很多w曲站点 日方法、启发式自动化方法等。手I方孟的信息抽取其抽取 尤其是商业站点．用(n乩)元素标识的除丁称之为真表格的 的开发和维护都很困难，且自于罔页经常变化而需要重新生 数据表格之外Ⅱ包台导航栏、广告或其他站点的链接等其他 成包装器。机器学日方法”用归纳学习方法产生抽取Ⅶ铀 用来进行页面布局的非数据表格，非数据表格R被称为“假表 信息的包装器，对发生变化的网页或归纳学目时没有覆盖的 格【目。在复杂的网页中自动的发现感辨趣的真表格不是一 目页格式．需要重新学习。启发式自动化方法提目7一种抽 项窖易的I作。据坑计，在固定一十领域的HTML表格中， 取表格数据的自动方法．它拉有蛤出具有嵌套的表头结构的 敷据表格的数量在30“以下。另一种情况是并不是所有的 表格的转换方法．并且它不能转换无标志表头的HTMI，表Web页面中的数据表格都是感※趣的，有时即便是一个领域 格。 相关的Web页i也日能包古几十内容跟研究领域无关的数 据表格。 2系统概述 嚣击!|i÷；曩’二：i一篇=!!‰……；，。 奉文在现有Web表格信息抽取技术的基≈t，提出了一 个使用预定义锈埴车休知识库的Web表格信息抽取方法，其 2 U}；；譬●鲨龉蕊盂麓盘^·-=晶 系统结构如图1所示。 目l*‰§#镕目月 为r识别蛤定WebⅢⅢ中感兴趣的数据表格，首先分析 w女网页并且把在该页面中的所有元素用DOM树表示，树 从图1中可m看到本系统对Web表格数据抽取I作分 为=步进行：表格定位、表格结构识别表格信息抽取，其I 中的每个结点包古T对标记间的所有的宁符．结点