自动获取HTML表格语义层次结构方法

• 作者: 肖田元 范莉娅
• 来源期刊: 清华大学学报（自然科学版）
• 学科: 工学
• 关键词: 行标题表格 列标题表格 行列标题表格 内容树
• 年，卷（期）: 2007,（10）
• 所属期刊栏目: 自动化
• 页码范围: 1586-1590
• 页数: 5页
• 分类号: TP319
• 字数: 5260字
• 语种: 中文
• DOI: 10.3321/j.issn:1000-0054.2007.10.010

摘要

针对目前方法不能处理复杂表格或嵌套表格等缺点,提出了自动获取超文本标记语言(HTML)表格的语义层次结构的方法.该方法以表格的4种基本类型为基础,使用内容树表示表格的语义层次结构.方法主要包含3个步骤:识别HTML表格的属性单元格和值单元格;将表格拆分为基本表格;为拆分后的基本表格构造内容树,获取表格的语义层次结构.实验结果证明该方法能自动处理嵌套表格和复杂表格,复杂性不高,精度较好.