版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、近些年來,論壇、博客和微博等相繼出現(xiàn)在互聯(lián)網(wǎng)應(yīng)用中,并逐漸成為人們發(fā)布互聯(lián)網(wǎng)信息的主要方式。其中,論壇已成為信息發(fā)布、共享和傳播的重要平臺。論壇的內(nèi)容由普通用戶創(chuàng)建和發(fā)布,對于輿情分析、互聯(lián)網(wǎng)廣告推薦等應(yīng)用具有重要意義。
數(shù)據(jù)爬取(Data Crawler)是數(shù)據(jù)分析和應(yīng)用的前提。傳統(tǒng)的爬取技術(shù)以頁面為單位爬取網(wǎng)頁,并將數(shù)據(jù)的處理與分析放在網(wǎng)頁爬取之后。這種方式不適合論壇數(shù)據(jù)的爬取。這主要是有以下兩方面的原因:首先,論壇數(shù)
2、據(jù)具有較強(qiáng)的結(jié)構(gòu)性。傳統(tǒng)的爬蟲以單個頁面為單位進(jìn)行數(shù)據(jù)的爬取,忽略了論壇頁面的內(nèi)在結(jié)構(gòu)和頁面間的關(guān)聯(lián)。其次,數(shù)據(jù)大都隱藏于網(wǎng)絡(luò)頁面的結(jié)構(gòu)中。傳統(tǒng)的爬蟲保存頁面的完整信息,不對頁面進(jìn)行數(shù)據(jù)處理。
因此,本文提出了一種新的數(shù)據(jù)爬取和信息抽取一體化的論壇數(shù)據(jù)爬取方法,并在該方法的基礎(chǔ)上設(shè)計與實現(xiàn)了InForCE系統(tǒng)。該系統(tǒng)分析論壇導(dǎo)航頁面的結(jié)構(gòu)和內(nèi)容,以此進(jìn)行帖子頁面爬取任務(wù)的調(diào)度,并按照論壇內(nèi)容對爬取的數(shù)據(jù)進(jìn)行組織與管理。In
3、ForCE系統(tǒng)由爬蟲、HTML解析器、鏈接池、學(xué)習(xí)器和規(guī)則庫組成。爬蟲用于爬取網(wǎng)頁。HTML解析器將HTML頁面轉(zhuǎn)化為用于信息抽取的XHTML頁面。鏈接池用于判斷系統(tǒng)的調(diào)度策略。規(guī)則學(xué)習(xí)器和規(guī)則庫用于頁面的信息抽取。
本文的主要貢獻(xiàn)總結(jié)如下:
1.將頁面爬取、結(jié)構(gòu)分析和內(nèi)容抽取相結(jié)合,并根據(jù)信息單元(而不是頁面)對爬取任務(wù)進(jìn)行調(diào)度,對爬取的數(shù)據(jù)進(jìn)行管理。信息單元是一個帖子的所有信息。論壇頁面類型包括導(dǎo)航頁面和
4、帖子頁面。導(dǎo)航頁面以列表的形式展示了所有討論的主題。帖子頁面顯示主題和關(guān)于主題的跟帖。導(dǎo)航頁面的內(nèi)容決定帖子頁面的爬取調(diào)度策略,并將同一個帖子的所有內(nèi)容組織在同一個文檔中。
2.提出了一種基于XML和XPath模式的描述性模式映射規(guī)則,并將其用于論壇數(shù)據(jù)的抽取與轉(zhuǎn)化。XPath模式表示一組XPath的特征。它被用于定義模式映射規(guī)則。模式映射規(guī)則表示從源文檔(通常為XHTML格式)到目標(biāo)文檔(通常為XML格式)的數(shù)據(jù)映射關(guān)系
5、。
3.使用規(guī)則學(xué)習(xí)器簡化信息抽取的過程。通過機(jī)器學(xué)習(xí)的方式獲取模式映射規(guī)則,并將其自動轉(zhuǎn)化為XSLT,從而實現(xiàn)從論壇頁面到最終結(jié)果的轉(zhuǎn)換。規(guī)則的自動轉(zhuǎn)化使不具有XSLT知識的用戶也能夠快速完成數(shù)據(jù)的抽取任務(wù)。
綜上所述,我們分析了論壇數(shù)據(jù)獲取過程中存在的問題,并針對論壇的數(shù)據(jù)特征設(shè)計了InForCE系統(tǒng)。本文以籬笆論壇為實驗,定義數(shù)據(jù)抽取模型,學(xué)習(xí)模式映射規(guī)則,并進(jìn)行論壇數(shù)據(jù)的爬取和抽取。目前,InForC
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于Web的緩存與預(yù)取一體化技術(shù)研究.pdf
- Web預(yù)取與緩存一體化模型研究.pdf
- 一體化關(guān)聯(lián)規(guī)則挖掘體系.pdf
- 機(jī)電一體化論文機(jī)電一體化的控制與保護(hù)
- WEB數(shù)據(jù)緩存與預(yù)取一體化的研究與應(yīng)用.pdf
- 歐洲一體化對東亞一體化的啟示研究.pdf
- 貿(mào)易投資一體化與WTO規(guī)則之互動研究.pdf
- 機(jī)電一體化畢業(yè)論文---機(jī)電一體化的現(xiàn)狀與發(fā)展
- 雅戈爾的縱向一體化戰(zhàn)略(一體化戰(zhàn)略經(jīng)典案例)
- 歐元與歐洲一體化.pdf
- 機(jī)電一體化
- 一體化方案
- 幾點一體化
- 歐洲一體化
- 機(jī)電一體化畢業(yè)論文--小議機(jī)電一體化
- 機(jī)電一體化畢業(yè)論文講述機(jī)電一體化
- 機(jī)電一體化畢業(yè)論文-- 煤礦機(jī)電一體化
- 物流一體化
- 一體化標(biāo)準(zhǔn)
- 城鄉(xiāng)一體化
評論
0/150
提交評論