摘要
在基于包装器的Web信息提取工作中,抽取规则占有重要的地位。由于网页经常改版,使得抽取规则需要不断更新,且手工生成抽取规则是一项费时费力的工作。为此,提出一种自动生成抽取规则的方法,通过扫描HTML源码,生成带语义信息的TABLE树,用以识别网页中的数据表格,并在此基础上利用贪心算法自动生成抽取规则。实验结果表明,该方法具有较高的准确率和F指数,且对于识别出的表格具有较高的规则生成率。
Extraction rule plays an important role in Web information extraction based on wrappers.As the Web pages often change,the rule is updated frequently.However,it is a hard work to find extraction rule by hand.This paper proposes an auto extraction rule generation method,which constructs a semantic TABLE tree after scanning HTML code.The semantic TABLE trees is used to identify the data table,and the extraction rule is generated automatically through a greedy algorithm.Experiment result shows that it has high precision and F-score,and has high rule generation rate to the identified table.
出处
《计算机工程》
CAS
CSCD
北大核心
2011年第6期65-67,共3页
Computer Engineering
基金
国家"863"计划基金资助重点项目(2006AA12A106)
中国民航大学科研基金资助项目(07kym04)
