基于重复模式的Web信息抽取

作者：高强; 张敬之; 耿桦; 潘金贵

来源：计算机科学, 2007, (04): 210-212+221.

• Web信息抽取
• 重复模式
• 后缀树 Web information extraction
• Repeated pattern
• Suffix tree

网页中的大量数据记录往往以重复的HTML结构进行有规律的组织,从而形成一致的表现形式。根据这一特征,本文给出一种基于重复模式的Web内容抽取方法。通过使用一种叫做后缀树的数据结构,分析页面结构中所包含的重复模式,进而从模式的实例中抽取出对应的数据记录。

• 单位
  计算机软件新技术国家重点实验室; 南京大学