网页数据自动抽取系统  

An Automatic Web Data Extraction System

作　　者：王茹[1] 宋瀚涛[1] 陆玉昌[2] 

机构地区：[1]北京理工大学计算机系,北京100081 [2]清华大学计算机系智能技术与系统国家重点实验室,北京100084

出　　处：《计算机工程与应用》2004年第19期135-138,共4页Computer Engineering and Applications

基　　金：国家自然科学基金资助项目(编号:79990580);国家973重点基础研究发展规划项目(编号:G1998030414)

摘　　要：在Internet中存在着大量的半结构化的HTML网页。为了使用这些丰富的网页数据,需要将这些数据从网页中重新抽取出来。该文介绍了一种新的基于树状结构的信息提取方法和一个自动产生包装器的系统DAE(DOMbasedAutomaticExtraction),将HTML网页数据转换为XML数据,在提取的过程中基本上不需要人工干预,因而实现了抽取过程的自动化。该方法可以应用于信息搜索agent中,或者应用于数据集成系统中等。There are a lot of HTML web p ages in the Internet.These pages have some structures and they are dynamically generated using scripts from the content of backed-end DBMS.If people want to use these data,they have to extract the data from pages.An automatic web pa ges data extraction system DAE is presents in this paper and a new tree-based m ethod of information extraction is also proposed.In this system,the wrapper is automatically generated and the HTML web pages data can be automatically trans formed into XML format.

关 键 词：信息提取 包装器产生 DOM树 

分 类 号：TP311[自动化与计算机技术—计算机软件与理论]