基于二次定位的構件描述信息抽取.pdf

1、當前軟件行業(yè)不斷發(fā)展，開發(fā)與維護成本也在不斷增加，軟件復用，特別是基于構件的軟件研發(fā)，成為一種有效的解決途徑。網上越來越多的構件加大了用戶查找自己感興趣產品的難度，通過網頁信息抽取技術搜集互聯網上的構件產品，并將構件的描述信息進行結構化整理，可以極大的提高軟件開發(fā)人員尋找所需構件的效率。因此有必要對構件描述信息的抽取方法做進一步的研究。
　　基于二次定位的構件描述信息抽取算法結合了頁面結構與文本內容的特征，通過URL聚類將爬取到的

2、相關頁面進行分類，使得聚類中的頁面具有一定的相似性，而聚類間的頁面具有較大的差異性，然后對這些HTML頁面進行規(guī)格化修復、剔除噪聲信息，并將文檔解析為DOM樹，以便于對文檔內容進行后續(xù)操作。將構件信息頁面分為三個區(qū)塊：構件信息塊、模糊信息塊和非信息塊，模糊信息塊定位算法利用同一聚類頁面中有效內容相異的特點，提取出若干個模糊信息塊，構件信息塊定位算法使用屬性名匹配與無關信息所占比例來篩選出具體的構件信息塊。通過構件屬性模式識別的方法判斷屬