1、隨著Intemet的快速發(fā)展，Web網頁的數量也不斷增加，盡管從網上可以查找到幾乎所有知識領域的相關資料，但是對數據的操作和控制卻不盡人意。為了更加有效地利用網絡資源，從中獲取有用的數據資料，研究人員開創(chuàng)了web數據抽取這一領域。利用數據抽取技術，對網頁的結構和數據特征進行分析，可以抽取出網頁中用戶感興趣的數據，以結構化的形式進行集成和保存，以供XML查詢語言或者SQL語言查詢，或者供其它的應用程序使用。Wrapper是從網頁中抽取數據

2、的程序，構造準確、健壯和通用的Wrapper可以使網頁免受結構變化的影響，且減少人為參與，但是現有的各種Wrapper有著不同的局限性，在精度、健壯性和通用性方面難以達到很高的要求。本文利用標準的XML技術來解決數據抽取問題，提出一種基于XML技術的web數據抽取方法。 作者的主要工作如下： (1)XML技術的發(fā)展使得基于XML的web數據抽取方法成為web數據抽取的趨勢，本文對三種web數據抽取方法進行了分析和比較。

3、 (2)在詳細分析和比較數據抽取技術中三種常用的信息定位方法的基礎上，應用XPath和XQuery技術在數據轉換和定位方面的優(yōu)勢，提出了基于樹的絕對路徑和屬性相結合的信息定位方法APTA(Absolute Path of Tree &Attribution)，綜合了基于樹的絕對路徑的信息定位方法和基于屬性的信息定位方法的優(yōu)點，實現了對信息更加準確的定位。 (3)利用HTML Tidy工具對待抽取頁面進行清洗，將web數據抽

4、取過程以及改進的定位方式放在XML語言編寫的配置文件里定義，根據配置文檔中自定義的元素和結構編程實現基于XML的web數據抽取。 (4)根據Shared Inlining模型將XML數據型的抽取結果轉換為關系表型數據，使得可以利用關系數據庫已有的理論基礎和應用平臺最大限度地實現對web信息的再利用。 (5)雖然本文的基于XML的web數據抽取方法的F值還未達到理想值，但與三種基本的信息定位方法的web數據抽取方法相比較，