基于树编辑距离的聚类算法数据记录抽取

摘要

本文研究了如何从列表页面中抽取数据记录。系统分为两个阶段：第一步采用三种启发式方法相结合的方法，识别主数据区域的根节点；第二步将数据记录分离，提出了一种新的基于树编辑距离的聚类算法，来减少候选分割方案的数量，然后根据公式计算相似度，找出最佳分割方案。本文通过对大量不同领域的网页进行测试，结果表明本文方法具有较高的准确率。