網(wǎng)頁信息表格化提取程序的論文
摘 要:
本文介紹了基于MSHTML設計開發(fā)的網(wǎng)頁信息表格化提取程序的原理、程序結(jié)構(gòu)和工作流程，使用網(wǎng)頁信息提取、網(wǎng)頁元素解析、采集配置管理三大功能模塊，實現(xiàn)對網(wǎng)頁及其內(nèi)部關(guān)聯(lián)信息的提取、解析、整理和表格化顯示，創(chuàng)新使用了對網(wǎng)頁屬性值和樹路徑值進行確認的二元檢查機制，能夠?qū)崿F(xiàn)對指定信息的準確提取。本文還舉例說明了程序的操作步驟和實際效果。
引言
當今是網(wǎng)絡高速發(fā)展、信息量急劇膨脹的信息時代，人們通過信息來互相交流，認識世界。在信息中存在著大量有價值的信息要素，這些有價值的信息要素大都以網(wǎng)頁的形式存在，其內(nèi)容和格式千差萬別。如果通過瀏覽器進行瀏覽和閱讀不存在問題，但若需要將感興趣的某類信息及其內(nèi)部關(guān)聯(lián)信息保存下來并進行整理，目前常用的工具普遍存在著某些缺點，比如網(wǎng)絡蜘蛛等爬蟲工具無法實現(xiàn)對內(nèi)部關(guān)聯(lián)信息的提取。因此，本人作者使用MSHTML語言設計了網(wǎng)頁內(nèi)部表格化提取的自動程序，可以完成對網(wǎng)頁及內(nèi)部關(guān)聯(lián)信息的保存、整理和表格化顯示，能夠明顯提高對信息的利用效率。
1、信息提取原理分析
人們通過瀏覽器所看到的頁面，是由很多的頁面元素組裝在一起的，其中既有常見的圖片和文字，也有專門的結(jié)構(gòu)元素，所有這些頁面元素經(jīng)過一定的組合形成了我們看到的頁面。對網(wǎng)頁進行進行提取，實質(zhì)上就是使用一定技術(shù)方法將指定的網(wǎng)頁元素進行解析、特征匹配和顯示的過程。
網(wǎng)頁信息的元素可以分為以下三種級別：
頂級元素（Top-level element）：共有html、body和frameset三種，屬于高級塊級元素，表現(xiàn)類似塊級元素。
塊級元素（Block-level element）：能夠獨立存在且元素之間可以換行分割，常用的塊級元素有p、div、ul、table等。
內(nèi)聯(lián)元素（inline element）：依附其他塊級元素存在，緊接于被聯(lián)元素之間顯示并且不換行，常用的內(nèi)聯(lián)元素包括img、span、li、br等。
2程序的設計思想
2.1 采集原理
2.2 二元檢查機制
2.3 程序功能設計
3 程序結(jié)構(gòu)及工作流程
3.1主要功能
3.2 運行流程
4程序的主要功能實現(xiàn)方法
4.1采集配置管理
4.2網(wǎng)頁元素解析
5 運行測試
5.1 讀取頁面
5.2 配置采集
5.3 采集網(wǎng)頁信息
5.4查看采集結(jié)果
6、結(jié)語
隨著網(wǎng)絡化的`快速發(fā)展，人們對網(wǎng)頁元素的需求越來越轉(zhuǎn)向個性化分類和精確提取，以往面向全部內(nèi)容的野蠻采集方式已經(jīng)無法滿足目前的需求，對其進行針對性的研究有著積極意義。
網(wǎng)頁信息表格化提取程序通過網(wǎng)頁信息提取、網(wǎng)頁元素解析、采集配置管理三大功能模塊的分工協(xié)作，實現(xiàn)對網(wǎng)頁及其內(nèi)部關(guān)聯(lián)信息的提取、解析、整理和表格化顯示，不僅克服了以往網(wǎng)頁信息抓取工具不能提取內(nèi)部關(guān)聯(lián)網(wǎng)頁信息的不足，使得程序的適用性、擴展性明顯提高，而且程序中創(chuàng)新使用的對網(wǎng)頁屬性值和樹路徑值進行確認的二元檢查機制，能夠?qū)崿F(xiàn)對指定信息的準確提取，極大提升了程序結(jié)果的精確性。
雖然網(wǎng)頁信息表格化提取程序在精確性、適用性和擴展性上取得了進步，但也存在一些不足，希望以后能找到更好的解決方法....
【網(wǎng)頁信息表格化提取程序的論文】相關(guān)文章：
信息化建設論文精選02-19
信息化建設論文02-18
信息化技術(shù)論文04-05
信息化與網(wǎng)絡化的建設論文07-03
會計信息化論文03-30