基于页面标签的Web结构化数据抽取

• 作者: 任仲晟 薛永生
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: Web数据抽取 Web挖掘 结构化数据 信息抽取
• 年，卷（期）: 2007,（10）
• 所属期刊栏目: 计算机网络与信息技术
• 页码范围: 133-136
• 页数: 4页
• 分类号: TP3
• 字数: 4069字
• 语种: 中文
• DOI: 10.3969/j.issn.1002-137X.2007.10.033

摘要

本文研究了从data intensive类型的Web页面中提取结构化数据的问题,提出了基于页面标签的数据抽取算法.该算法先根据标签的显示位置及其大小判断不同标签元素之间的嵌套关系,并构造简化的HTML树SimHTree,有效地减少了识别数据记录的时间.在此基础上,提出子串匹配调整算法,对数据记录进行识别,标识数据项.实验表明,该算法是有效的.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	薛永生	厦门大学计算机科学系	61	490	13.0	18.0
2	任仲晟	厦门大学计算机科学系	3	23	1.0	3.0