基于XML特征的網(wǎng)頁(yè)文本抽取方法

　　Web信息抽取（Web Information Extraction，簡(jiǎn)稱WIE）是指：給出屬于同一類型的若干樣本網(wǎng)頁(yè)。找出它們的源數(shù)據(jù)集的嵌套結(jié)構(gòu)，并將源數(shù)據(jù)集從網(wǎng)頁(yè)中抽取出來(lái)。即通過(guò)對(duì)原文檔信息內(nèi)容和結(jié)構(gòu)的分析，抽取出有意義的部分，生成結(jié)構(gòu)化的有價(jià)值的信息。

　　Web信息抽取漸漸成為一個(gè)嶄新而熱門的課題，從互聯(lián)網(wǎng)資源中抽取數(shù)據(jù)的傳統(tǒng)方法就是編寫特定的程序，這種程序被稱為“Wrapper”。Wrapper是一個(gè)能夠?qū)⒒贖TML描述的Web網(wǎng)頁(yè)內(nèi)容轉(zhuǎn)換為按照某種結(jié)構(gòu)化描述的數(shù)據(jù)集合（例如XML數(shù)據(jù)、關(guān)系數(shù)據(jù)庫(kù)）的軟件程序。它由信息抽取所需的信息識(shí)別與結(jié)構(gòu)影射知識(shí)和應(yīng)用這種抽取知識(shí)的處理程序組成。根據(jù)各種工具用于產(chǎn)生Wrapper而采取的不同技術(shù)，目前的Web數(shù)據(jù)抽取工具可分為六種：Wrapper開(kāi)發(fā)語(yǔ)言，可感知HTML的工具，基于NLP的工具，Wrapper歸納工具，基于建模的工具，基于語(yǔ)義的工具。

　　本文從理論上分析網(wǎng)頁(yè)文本信息抽取的方法及流程，具體闡述了網(wǎng)頁(yè)文本信息抽取的理論和方法，以當(dāng)當(dāng)網(wǎng)頁(yè)文本信息抽取為例，介紹了基于標(biāo)簽的信息抽取系統(tǒng)的概述，同時(shí)闡明了具體的過(guò)程和模塊，給出該抽取賣現(xiàn)方法的步驟以及實(shí)現(xiàn)的某些核心代碼，分析此方法的優(yōu)點(diǎn)和可以進(jìn)一步改進(jìn)的地方，并就其意義和所需進(jìn)一步思考的地方進(jìn)行了闡述。