模板化的Web列表页面信息自动抽取方法的研究

• 作 者: 王琛
• 机 构: 江苏建筑职业技术学院信息传媒与艺术学院
• 出 处: 现代计算机：中旬刊
• 发表日期: 2013年8期
• 关键词: WEB信息抽取 列表页面 DOM 网页去噪 数据属性对齐 Web Information Extraction List Pages DOM Web No
• 基金项目: 江苏建筑职业技术学院院级科研项目（No.JYA310-14）

提出一种模板化的Web列袁页面信息自动抽取方法，并对其实现的关键技术进行了阐述．包括页面预处理，Web列表页面中数据区域、数据记录的定位方法。同时提出一种有效的对DOM子树进行属性对齐和标注的方式，并给出相关算法。实验结果表明，该方法能够自动寻找并抽取Web列表页面的主要信息，具有较高的查全率和查；住率。