基于重复模式的Web信息抽取

• 作者: 张敬之 潘金贵 耿桦 高强
• 来源期刊: 计算机科学
• 学科: 工学
• 关键词: Web信息抽取 重复模式 后缀树
• 年，卷（期）: 2007,（4）
• 所属期刊栏目: 人工智能及图像处理技术
• 页码范围: 210-212,221
• 页数: 4页
• 分类号: TP3
• 字数: 4547字
• 语种: 中文
• DOI: 10.3969/j.issn.1002-137X.2007.04.057

摘要

网页中的大量数据记录往往以重复的HTML结构进行有规律的组织,从而形成一致的表现形式.根据这一特征,本文给出一种基于重复模式的Web内容抽取方法.通过使用一种叫做后缀树的数据结构,分析页面结构中所包含的重复模式,进而从模式的实例中抽取出对应的数据记录.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	潘金贵	南京大学计算机软件新技术国家重点实验室	143	2369	23.0	44.0
2	高强	南京大学计算机软件新技术国家重点实验室	7	45	3.0	6.0
3	张敬之	南京大学计算机软件新技术国家重点实验室	1	13	1.0	1.0
4	耿桦	南京大学计算机软件新技术国家重点实验室	4	46	4.0	4.0