论文摘要：多类别Web对象抽取方法的研究与实现

运用于笔直探求引擎的Web东西抽取本领不妨普及探求效劳品质，个中对准多类型Web东西的抽取是暂时的难点题目。当多类型Web东西来自于构造化和非构造化两种各别的Web页面时，难以找到一种同声符合构造化和非构造化Web页面包车型的士多类型Web东西块抽取本领。更加地，当面临数百类型的Web东西时，难以预订义多类型Web东西的属性沙盘，进而不足灵验的多类型Web东西属性抽取本领。对准上述题目，本舆论接洽并提出了一种多类型Web东西抽取本领，该本领重要囊括：开始，该本领运用维基百科数据结构多类型Web东西联系库，个中囊括Web东西类型、Web东西、Web东西间联系、以及关系接受档次联系，而且建立Web东西类型之间的联系；在此普通上，本舆论提出了Web东西类型间联系权值计划和迭代算法，运用该算法索取Web东西类型之间的中心联系沙盘。其次，该本领将Web页面变换为HTML标签树，以标签树结点的文本数目动作结点尺寸，滤除结点尺寸较小或文本扶助度较低的标签树结点，以伯仲结点之间的尺寸一致度和结点的文本扶助度，辨别索取出构造化结点和非构造化结点，采用出尺寸最大的结点动作Web东西记载块。而后，该本领运用沙盘配合对Web东西记载块举行分门别类，赢得Web东西分属的类型，经过Web东西类型的中心联系沙盘，沿用开票战略抽掏出Web东西记载块的中心Web东西及其关系Web东西。结果，可视化Web东西的百般联系，运用户不妨直觉地欣赏Web东西之间的联系、Web东西类型之间的联系、以及Web东西和类型之间的隶属联系。鉴于上述接洽处事，本舆论安排实行了多类型Web东西抽取本领，将Web东西分为400项类型，不妨从构造化和非构造化页面中赶快抽取Web东西块。而且以计划机、艺术、医药三个类型的Web东西抽取为例，演示了该本领的可用性，不妨以较高的精确率、调回率和F值抽取多类型Web东西。

来源：半壳优胜育转载请保留出处和链接！

本文链接：http://87cpy.com/206965.html