一种半结构化Web信息抽取技术的方法

摘要

一种半结构化Web信息抽取技术的方法提出了抽取规则执行算法，该算法首先获取抽取规则指定的Web页面，并且利用HTMLTidy将其转换为格式良好的XML文档，然后利用XMLParser将该xML文档转化为DOM树，根据XPath表达式获取感兴趣数据，并将其映射到目的模式，这一过程的执行是根据己定义的映射规则来完成的；研究了ETL脚本语言的实现技术，完成了ETL的核心执行模块，即抽取器和转换器，这两个模块接收ETL脚本，对脚本进行解析、执行，完成脚本定义的抽取转换任务。论文工作实现了Web信息抽取技术和ETL技术的集成，利用E]rL的抽取转换功能，使得从Web上抽取的信息更加符合用户需求，为充分利爿jWeb上的海量数据提供了一种有价值的工具。