邵崇洁 陈丽君 徐贝 丁特战

摘要：随着Internet的不断发展，Deep Web已经成为Web上重要的信息资源，Deep Web表单标签提取是访问Deep Web资源的前提与基础。该文提出了倒推算法来处理Deep Web表单标签。

关键词：深层网;表单标签;倒推算法;查询

中图分类号：TP311文献标识码：A文章编号：1009-3044(2012)16-3821-02

Study of Deep Web Form-tag Extraction

SHAO Chong-jie, CHEN Li-jun, XU Bei, DING Te-zhan

(Zhejiang Yuexiu University of Foreign Languages, Shaoxin 312000, China)

Abstract: Along with the development of Internet, Deep Web has becomes important information resources, Deep Web form-tag extrac tion is the premise and foundation of access Deep Web resource. This paper designs retrodict algorithm to handle Deep Web form-tag.

Key words: deep Web; form-tag; retrodict algorithm; query

整个Web网络看似杂乱无章，但如果按其所蕴含信息“深度”，可以将其划分为Surface Web和Deep Web两大类。前者主要是指通过浏览器浏览的网页，它们可以被Google等搜索引擎直接检索。后者通常是指隐蔽在查询表单后面，由网站在需要时动态生成的网页，这些网页不能被传统的搜索引擎直接检索。

随着数据库技术和网络技术的不断发展，Deep Web已经成为Web上重要的信息资源。有研究表明[1]，Deep Web具有信息量大、覆盖面广、结构化程度高、增长速度快等特点。由于表单是访问Deep Web资源的唯一途径，传统的搜索引擎通过链接访问页面，缺少自动处理表单的能力，长期以来Deep Web资源得不到搜索引擎的索引和检索，因此，研究如何对表单进行处理以获取大量高质量的Deep Web资源具有非常重要的现实意义。

1 Deep Web表单

一个表单通常包含有说明性文字、表单控件、控件标签等内容，其用途包括注册、投票、登录、查询等。Deep Web表单是专指用作查询功能的表单。当用户提出请求使用表单查询时，首先从服务器下载表单供用户浏览，用户根据控件标签、文字说明等信息向表单控件填写查询条件等内容并提交，Web服务器通过专门的CGI接口接收用户提交的查询请求，并根据要求做出响应，将请求的查询结果反馈给查询用户。……