基于半自动化WEB数据抽取器的信息集成研究

基于半自动化WEB数据抽取器的信息集成研究

论文摘要

随着互联网技术的飞速发展,WEB上的信息量快速增长,如何方便有效利用这些WEB信息吸引了越来越多人的关注。传统数据仓库和中间件的信息集成方案在WEB数据源集成中具有极大的挑战。中间件方式集成WEB数据源,在查询条件提交后再到网页上去查找信息,这样不仅效率低下,而且查询的结果也难以预测。数据仓库法对于信息更新快的WEB站点来说,数据的更新维护是一项恼人的工作,而且不能直接利用已有关系数据库中的数据。本文针对这些问题,结合中间件方法和物化法提出了一种信息集成体系结构(Materialized Mediator Information Integration Framework),简称MMIIF,该体系结构有效的解决了传统关系数据库和WEB数据源的集成问题。MMIIF数据查询的过程采用中间件方式,实现数据访问的透明性,底层数据源的自治性;为了解决WEB数据源访问的效率问题,MMIIF采用物化法先将WEB数据抽取出来存放在本地,供用户访问,系统集成管理人员能够根据实际应用的需要实时更新本地数据。分析了该体系结构中模式集成过程和查询处理过程,详细设计了关系数据库包装器和WEB数据源包装器。由于MMIIF在很大程度上依赖于WEB数据源包装器中数据抽取器实现物化功能,本文研究了当前WEB数据抽取技术:目前层出不穷的WEB数据抽取器都各有侧重,全自动方式的抽取器虽然人工工作少,能够实现从大量网站中抽取各种数据,但往往会抽取大量无用信息,得不到用户感兴趣的信息;人工方式的抽取器虽然方式简单但是计算数据抽取规则复杂。本文在分析了大量网站后提出一种针对相似网页的半自动化WEB数据抽取器。该抽取器采用同一站点URL结构相似性判断和主题匹配的方法搜索相似网页;利用XSLT作为数据抽取规则的描述语言,采用GUI界面实现与用户交互,系统自动生成抽取规则,实现最终抽取的数据是结构清晰语义明确且用户感兴趣的数据。最后采用典型的电子商务网站和门户网站作为实验WEB数据源,采用数据抽取评价指标查全率和查准率来评价该抽取器的性能。实验证明该抽取器能够较好实现MMIIF的物化功能,将WEB数据查询转换为本地数据库的查询。

论文目录

  • 摘要
  • ABSTRACT
  • 第1章 绪论
  • 1.1 研究背景及意义
  • 1.2 信息集成研究现状
  • 1.2.1 异构数据源特点
  • 1.2.2 信息集成体系结构
  • 1.2.3 信息集成目标
  • 1.2.4 WEB信息集成现状
  • 1.3 本文主要研究内容
  • 1.4 章节安排
  • 第2章 信息集成基本原理
  • 2.1 HTML、XML和XHTML
  • 2.1.1 HTML
  • 2.1.2 XML
  • 2.1.3 XHTML
  • 2.2 DOM、XPath和XSLT
  • 2.2.1 DOM
  • 2.2.2 XPath
  • 2.2.3 XSLT
  • 2.3 WEB数据抽取技术现状
  • 2.4 本章小结
  • 第3章 信息集成体系结构设计
  • 3.1 WEB数据源特点
  • 3.2 MMIIF设计
  • 3.2.1 包装器
  • 3.2.2 查询处理过程
  • 3.2.3 模式集成
  • 3.3 本章小结
  • 第4章 半自动化WEB数据抽取器
  • 4.1 WEB数据抽取难点分析
  • 4.2 WEB数据抽取器目标
  • 4.3 半自动化WEB数据抽取器设计
  • 4.3.1 获取相似网页
  • 4.3.2 清理页面
  • 4.3.3 定义抽取模式
  • 4.3.4 抽取数据
  • 4.3.5 XML文件导入关系数据库
  • 4.4 本章小结
  • 第5章 半自动化WEB数据抽取器实现及评价
  • 5.1 半自动化WEB数据抽取器实现
  • 5.1.1 采集数据
  • 5.1.2 清理数据
  • 5.1.3 生成抽取规则
  • 5.1.4 抽取数据
  • 5.1.5 导入数据库
  • 5.2 数据抽取器评价
  • 5.2.1 数据抽取评价指标
  • 5.2.2 数据抽取结果分析
  • 5.3 本章小结
  • 第6章 总结与展望
  • 主要工作
  • 主要贡献及创新点
  • 展望
  • 参考文献
  • 附录
  • 致谢
  • 在读期间发表的论文
  • 相关论文文献

    • [1].数字化校园建设中数据抽取技术研究[J]. 河南财政税务高等专科学校学报 2015(06)
    • [2].船舶监控系统运行数据抽取与分析方案设计[J]. 船海工程 2020(03)
    • [3].数据抽取在征信系统中的应用[J]. 科技创新导报 2009(01)
    • [4].数据抽取在征信系统中的应用[J]. 科技创新导报 2009(02)
    • [5].基于可变时间窗口的增量数据抽取模型[J]. 计算机科学 2018(11)
    • [6].数据抽取及交换工具的设计与实现[J]. 软件 2015(08)
    • [7].一种新型增量数据抽取方法的研究[J]. 黑龙江科技信息 2016(36)
    • [8].一种大数据时代海量数据抽取的开发模型研究[J]. 计算机应用研究 2013(11)
    • [9].数据挖掘技术在数据抽取中的研究与应用[J]. 内蒙古师范大学学报(自然科学汉文版) 2008(04)
    • [10].决策支持系统的数据抽取方法的研究[J]. 无线互联科技 2011(03)
    • [11].论工商行业数据中心建设中数据抽取的技术实现方式[J]. 计算机与现代化 2009(08)
    • [12].临床科研数据抽取研究[J]. 医学信息学杂志 2020(07)
    • [13].人力资源管理系统中数据抽取模块的实现[J]. 电脑知识与技术 2008(05)
    • [14].数据抽取中数据预处理[J]. 电子技术与软件工程 2014(07)
    • [15].基于数据抽取的决策支持系统研究与实现[J]. 数字技术与应用 2018(03)
    • [16].基于服务专业化的数据抽取方法研究[J]. 河南大学学报(自然科学版) 2012(06)
    • [17].ETL数据抽取研究综述[J]. 软件导刊 2010(10)
    • [18].供电管线到综合管线的数据抽取语义映射机制[J]. 江苏城市规划 2015(11)
    • [19].保险数据仓库数据抽取的设计与实现[J]. 中国金融电脑 2011(04)
    • [20].基于KPS的HTML数据抽取[J]. 网络安全技术与应用 2009(03)
    • [21].地震叠后数据抽取中关键问题探讨[J]. 胜利油田职工大学学报 2008(06)
    • [22].Web数据抽取技术的研究和探讨[J]. 电子世界 2015(13)
    • [23].基于XML的无监督数据抽取研究[J]. 黑龙江科技信息 2013(17)
    • [24].Deep Web数据抽取的分析与研究[J]. 南开大学学报(自然科学版) 2012(03)
    • [25].基于WEB的数据抽取及应用实例[J]. 中国新技术新产品 2009(19)
    • [26].银行CRM系统数据抽取的研究[J]. 计算机应用与软件 2008(03)
    • [27].面向领域的Web数据抽取与集成[J]. 计算机科学 2013(S1)
    • [28].基于关键属性比对的增量数据抽取方法[J]. 计算机工程与应用 2012(04)
    • [29].基于语义支持的Deep Web数据抽取[J]. 计算机科学 2010(03)
    • [30].Web数据抽取技术研究初探[J]. 电脑知识与技术 2009(35)

    标签:;  ;  ;  ;  ;  

    基于半自动化WEB数据抽取器的信息集成研究
    下载Doc文档

    猜你喜欢