Web文档清洗系统中HTML解析器的开发

来源 :计算机应用研究 | 被引量 : 0次 | 上传用户:jackiesage
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
对于组建一个面向Web的信息系统来说 ,去除掉脚本、广告链接以及导航链接等无用数据 ,将提高信息存储和检索的效率 ;同时 ,基于语义对Web文档进行合并和分割也会有助于信息的管理 ,这些都是Web文档清洗系统的任务。在Web文档清洗中 ,无论是脱机的规则学习还是联机的文档清洗 ,都需要建立在对Web文档的结构和内容进行分析的基础之上。从HTML解析的一般概念入手 ,结合Web文档清洗系统的需求 ,描述了一个自主开发的HTML解析器的结构 ,并对其组成部分 :词典、词法分析器和语法分析器的设计作了详细的讨论 For building a Web-oriented information system, the removal of unnecessary data such as scripts, advertising links and navigation links will improve the efficiency of information storage and retrieval. At the same time, merging and segmenting Web documents based on semantic information will also help Management, these are the tasks of Web document cleaning system. Web document cleaning, whether it is offline learning rules or online document cleaning, you need to build on the Web document structure and content based on the analysis. Starting from the general concept of HTML parsing, this paper describes the structure of a self-developed HTML parser based on the needs of the Web document cleaning system and discusses in detail the design of its components: lexicon, lexical analyzer and parser
其他文献
在大多数人恐惧的时候,你应该更勇敢一点。先知先觉的人,已经开始预言新一轮资本危机乃至经济危机。对创业者来讲,这个冬天自然是更加残酷和值得警惕的。其实,冬天是真正的创
不再买单 一位画家虽贫穷但极富同情心。在一次乘火车返家的途中,他把身上仅剩的几枚硬币全给了一个乞丐,可下火车又遇上另一个乞丐,画家忘了他身上已分文不剩,又邀这位上馆子
随着《数字安徽建设五年规划纲要(2003-2007年)》的顺利实施,截至目前,安徽省光纤通信线路已通达全部行政村,宽带数据网覆盖所有乡镇和大部分行政村,“数字安徽”框架基本建
北京市公安局宣武分局党委、工会慰问特困民警 春节期间,北京市公安宣武分局党委成员和工会干部分别对18名生活困难的民警、职工进行了慰问,共使用送温暖基金56,000元。近几
“民族地区的发展问题要上升到国家战略部署的高度才能更好更快地解决。”这是民进中央深入考察滇西北民族地区之后得出的重要结论。在中共中央、国务院提出科学发展观和“五
茶坞供电段工会为了充分发挥工会组织在创建安全自控型班组中的作用。日前开展了安全自控型班组创建活动。 一、加强教育引导,发动全员参与 Tea dock power supply section
阅读,无论对于成人、孩子都是一件有意义的事情。孩子良好阅读习惯的培养需要家庭和幼儿园密切配合,形成强大的教育合力,从实践来看,多彩的亲子阅读活动不仅是培养家长、孩子
According to news on the website of the Minis-try of Industry and Information Technology on March 4, on March 4 the Ministry of Industry and Information Technol
推出TD-SCDMA Node B后,爱立信具备了端到端的TD-SCDMA商用解决方案提供能力,成为TD-SCDMA无线网络市场最新杀出的一支劲旅。 After the launch of TD-SCDMA Node B, Ericss