论文部分内容阅读
随着Intent技术的发展及计算机技术在各个行业中的广泛应用,大量有价值的数据都散乱在Web和Word等半结构化数据中,难于实现数据高效查询、检索和处理。目前,对半结构化数据的抽取与转换已取得了不少研究成果,但仍然存在噪音清除不彻底、数据抽取的准确率及效率低、交互性差等问题。 本文针对以上半结构化数据抽取与转换存在的问题,采用div分块、Word样式与模板等技术,重点研究Web和Word主流半结构化数据的结构化转换技术和方法,主要取得了以下研究成果。 (1)研究HTML文件数据抽取方法,提出了一种HTML文件噪声数据清理方法。该方法利用源网页文件中的div标签对HTML文件进行划分,考察每个div标签中包含的图片标签、文本标签、超链接标签,根据这三类标签的数量,确定div标签的类别,删除其中导航和图片div,对待抽取的HTML文件进行噪声清理。将新方法与原有方法通过实验进行对比,证明了该方法能有效提高数据抽取效率及准确率。 (2)研究半结构化Word文档数据抽取与转换的方法,提出了样式三要素、文档样式序列等概念,并利用基于样式的Word文档数据抽取与转换方法对有格式的Word文档进行数据抽取与转换,将抽取的数据以XML文件保存,实现了Word文档中数据的抽取与转换。 (3)研究基于模板的Word文档交互式数据抽取方法,实现了在数据抽取时指定域名称与字段的映射关系,提高了数据抽取与转换的灵活性。 (4)在以上研究的基础上,设计并实现了主要半结构化数据到结构化数据转换的原型系统。 本文对Web数据抽取的研究成果对主要半结构化数据进行结构化转换的研究具有一定的参考价值。本文对Word文档数据抽取的研究成果具有较高的实用价值。