一种全自动生成网页信息抽取Wrapper的方法

• 作者: 丁国栋 张刚 梅雪 程学旗 郭岩
• 来源期刊: 中文信息学报
• 学科: 工学
• 关键词: 计算机应用 中文信息处理 网页信息抽取 网页结构分离 包装器
• 年，卷（期）: 2008,（1）
• 页码范围: 22-29
• 页数: 8页
• 分类号: TP391
• 字数: 8045字
• 语种: 中文
• DOI: 10.3969/j.issn.1003-0077.2008.01.004

摘要

Web网页信息抽取是近年来广泛关注的话题.如何最快最准地从大量Web网页中获取主要数据成为该领域的一个研究重点.文章中提出了一种全自动化生成网页信息抽取Wrapper的方法.该方法充分利用网页设计模版的结构化、层次化特点,运用网页链接分类算法和网页结构分离算法,抽取出网页中各个信息单元,并输出相应Wrapper.利用Wrapper能够对同类网页自动地进行信息抽取.实验结果表明,该方法同时实现了对网页中严格的结构化信息和松散的结构化信息的自动化抽取,抽取结果达到非常高的准确率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程学旗	中国科学院计算技术研究所	160	4858	31.0	67.0
2	郭岩	中国科学院计算技术研究所	24	587	11.0	24.0
3	张刚	中国科学院计算技术研究所	42	886	15.0	29.0
4	丁国栋	中国科学院计算技术研究所	6	240	5.0	6.0