常丽君

摘要：随着网络上信息的飞速增长，网络已发展成为一个巨大的数据库，人们对快速准确地获取网页数据提出了更多的需求。目前，自然语言处理领域已经将网页信息抽取技术的研究作为一个重点。首先该文介绍了关于本体的一些基础知识，在此基础上提出并实现了一种基于领域本体的网页数据抽取方法。在该文中，利用领域本体的关键词、概念及关系来生成抽取规则，采用语法分析模块对输入的文档进行预处理，最后根据语法分析的机构和生成的抽取规则来对文档实现数据抽取。实验证明，该方法具有良好的性能。

关键词： 本体；网页数据抽取；包装器

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2014）16-3726-03

Abstract： With the rapid growth of information on the network， the network has developed into a huge database， people are more desirable to get pages of data quickly. Currently， the field of natural language processing has focused the web information extraction. First this pager introduces the basic knowledge of ontology. Based on this， this pager presents a new approach to extracting information from normal document based on ontology. This paper first introduces some basic knowledege about the ontology， then proposed and implemented a web data extraction method. In this pager， it used domain ontology words， concepts and relationships to generate extraction rules， used the syntax analysis module for pre-processing the input document. At last， it achieve the data according to extraction rules and documents generated by parsing. The experiment has shown that the approch got a very good performance.

Key words： ontology； web information extraction； wrapper

1 相关背景

随着网络的快速发展以及计算机在各个领域的广泛应用，网络已发展成为一个巨大的数据库。针对这些挑战，人们对在海量WEB信息中快速准确地找到所需的数据提出了更高的要求。为了解决这个问题，Web信息抽取开始逐步得到研究。目前Web信息抽取技术存在的主要问题有：（1）人工干预较多，大部分技术中都需要大量的样本训练集，给用户带来比较大的负担。（2）适应性差，根据具体信息源生成的包装器程序只能用于某种具体的网页结构。针对目前Web信息抽取技术存在的一些问题，通过研究已有的信息抽取技术，该文提出了一种基于本体[1]的信息抽取方法，HTML源文件作为本系统的输入参数，输出的结果是包含主、谓、宾三种成分的三元组，可以将结果存入数据库。……