论文部分内容阅读
提出了一种面向HTML或XML描述的Web数据抽取模型，首先用STOCK把Web文档从Web服务器读下来，识别Web文档的表示格式，若是HTML格式，则先把HTML数据转换成XHTML（XML的子集）格式，然后对Web页进行修复后合并形成系列XML文档并存储，采用绝对路径和锚点（Anchor），利用XML数据格式的工具来检索相关数据，获取所需数据并构造XML输出，从而实现Web数据抽取过程。实验表明，该模型实现Web数据抽取是可行的，根据该模型的缺陷，提出了一个基于语义Web技术的信息抽取改进模型。