面向结构的Web表格数据抽取系统

• 作 者: 徐飞 张素芹 姚红革
• 机 构: 西安工业大学计算机科学与工程学院
• 出 处: 西安工业大学学报
• 发表日期: 2009年6期
• 关键词: HTMLPARSER WEB表格 表格识别 数据提取 XML htmlparser web table table recognition data extra
• 基金项目: 西安工业大学校长基金（XAGDXJJ-200715）

针对Web数据挖掘预处理中，Web表格无结构化描述及缺乏清晰语义信息的问题，构建了面向结构的Web表格数据提取系统．利用HTMLParser库的解析原理，设计启发式规则对Web表格结构进行定位、识别、提取并剔除非数据型结构；以Xml规范化模型对提取表格数据进行存储．最后抽取9个中文网站171个数据表格进行验证试验，结果表明对于结构化完整的表格具有较高的识别率并有一定的容错能力．