摘要
Web页面中的主题信息一般分布比较集中,可利用网页的这一特性进行网页主题信息的自动提取。网页源代码中的HTML标签不规范,使得正向匹配难以生成嵌套结构准确的DOM树,该文提出一种通过逆向匹配的方法,构建完整的网页源代码DOM树。通过对DOM树进行剪枝,删除无关节点,对保留下来的信息块的节点标签进行人工选择与唯一性判定,从而生成提取模板。该方法能够实现对电子商务网站源网页中的主题信息进行提取,是一种半自动、通用的方法,可用于信息检索系统中的信息采集。
Generally, the distribution of the subject information in the Web page is centralized . Therefore,we can utilize this characteristics＇ of Web page to extract the subject information automatically. Due to the fact that the HT- ML label in the page source code is not well qualified, it is difficult to construct a DOM tree with accurate structure through the forward matching. This article presents a new method which applies the reverse matching to construct a complete DOM tree. By deleting the insignificant node the DOM tree, we can select from the remained information node labels manually to finalize the templeaterdeeiden if they are unique. This is a general and semi- automatic method, and experiments on the e-commerce webpages are reported in this paper.
出处
《中文信息学报》
CSCD
北大核心
2015年第2期157-162,178,共7页
Journal of Chinese Information Processing
基金
国家自然科学基金(61103109
11105024
61003231)
中央高校基本科研业务费(ZYGX2011J057
ZYGX2012J071
ZYGX2012J085)
四川省科技项目(2010HH0002
2011GZ0106
20112Z0001
2012RZ0002
2012RZ0003)
高等学校博士学科点专项科研基金(20120185120017)
关键词
逆向匹配
DOM树
模板构建
信息提取
reverse matching
DOM trees template extraction
information extraction
