基于JerichoHTMLParser的html信息抽取.pdfVIP

第26卷第10期 赤峰学院学报(自然科学版) V01．26No．10 2010年10月 Journalof ScienceEdition) 0et．2010 ChifengUniversity(Natural 王鸿伟 (泉州师范学院数学与计算机科学学院，福建泉州 362000) html页面信息解析的可靠性和有效性． 关键词：DOM；SAX；ferichoHTMLParser：信息抽取 中图分类号：7rP3ll文献标识码：A 文章编号：1673—260X(2010)10-0166—03 1 引言 索，修改，添加和删除等操作．因此，DOM的解析方式提供了 伴随Inlemel的发展，web已经成为一个海量的信息库． 一种操作上的便利性． 但web贞面上充斥着大量的无用信息，如广告信息、广告连 缺点效率低，解析速度慢，内存占用量过高．被解析的 接、图片等，使得web上用户关心的有用信息被大量的无用 文档被读入内存后，要在内存中创建DOM树，以生成DOM 信息所掩盖．整个InternelJF面临着信息爆炸而有门j知识相 树上的每个Node对象．这时其占用的内存的大小，要比其源 对缺乏的尴尬的境地．web信息抽取技术的出现和发展，则 文档的容量来的大得多．当文档比较小的时候。这不会造成 为从特定web页面上抽取用户关心的数据，提供了一个有 什么问题．一旦文档大起来，处理DOM就会变得相当费时费 效的途径． 力．特别是其对丁内存的需求，也将是成倍的增长．效率低还 目前，web页面上大缝的信息鄙以Html或XML这两种表现在需要消耗大量的时问，这时网为使用DOM进行解析 语言发来发布，存在Html和XMI．并存的局面．对web贞面 信息的抽取，就转换成对Html和XML义档的解析． 一个对象．在DOM机制中所运用的大量埘象的创建和销毁， 最常崩的两种解析方式有基于DOM和SMX的解析．而无疑都会影响其效率．II．a 2．2 SAX解析方式 本文将介绍一种基丁JeriehoHtmlParser的解析方式，并利用 JeriehoHtmlParser实现埘指定neb页面上的有用信息进行使用该方式对html文档进行解析，一般鄙需耍先将 抽取． 2 DOM与SAX解析方式 转换的效果将在很大程度上影响最终的解析效果． 2．1 DOM解析方式 APIfor SAX是XML简易应用程序编程接口(Simple D0bl是文档对象模型(DocumentModd)的缩XML)的缩写，它并不是由W3C官方所提出的标准．其起源 Object 写，根据W3CDOM规范，DOM是一种．‘j浏览器、平台、语 r丁互联|】。4上的XML-DEV社区，是很多开发人员参与讨论 青无关的接口．实际l二DOM就是以树为基础处理XML及和开发的结果．根据讨论的结果，David HTML文件的一套API． 年5月11日公布了规范的终稿．|sl 在HTML SAX最初是由David DOM下，HTML文档中的所有节点组成了一 个文档树(或节点树)．HTML文档中的每个元素、属性、文本后SAX很快在Java开发者中流行起来．它是一种这是一种 等都代表着树中的一个Node(节点)．树起始丁文档节点，并公开的、开放源代码软件．虽然它不是W3C标准，但它却是 由此继续伸出枝条，直到处