傅 彦，徐昭邦，夏虎，周俊临

(电子科技大学 计算机科学与工程学院 互联网科学中心，四川 成都 611731)



基于逆向匹配的电子商务网站实体模板半自动构建方法

傅 彦，徐昭邦，夏虎，周俊临

(电子科技大学 计算机科学与工程学院 互联网科学中心，四川 成都 611731)

Web页面中的主题信息一般分布比较集中，可利用网页的这一特性进行网页主题信息的自动提取。网页源代码中的HTML标签不规范，使得正向匹配难以生成嵌套结构准确的DOM树，该文提出一种通过逆向匹配的方法，构建完整的网页源代码DOM树。通过对DOM树进行剪枝，删除无关节点，对保留下来的信息块的节点标签进行人工选择与唯一性判定，从而生成提取模板。该方法能够实现对电子商务网站源网页中的主题信息进行提取，是一种半自动、通用的方法，可用于信息检索系统中的信息采集。

逆向匹配；DOM树；模板构建；信息提取

1 引言

随着网络技术和数据库技术的飞速发展，网络上的信息量越来越大，越来越多的人选择从网上获取自己需要的信息，其中也包括网上购物。电子商务网站上包含了大量信息，用户可以通过这些网页获取商品的主题、参数等信息，但其中的商品网页大多属于深层网络[1]，不便于被传统的搜索引擎检索。

电子商务网站的实体模板是用于提取目标网页中的商品主题和参数等信息的提取框架。通过逆向匹配构建商品源网页的DOM树，再对同一电子商务网站的多个商品网页的DOM树进行比较，删除其中的网页模板信息，然后通过人工选择所需提取的部分并进行唯一性判定，从而构建实体提取模板。……