- 1、本文档共4页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于JerichoHTMLParser的html信息抽取.pdf
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
您可能关注的文档
- 城市交通优化中基于对偶算法的元胞自动机.pdf
- 城市交通影响分析的标准化.pdf
- 城市交通方式预测实用方法研究.pdf
- 城市传统景观特质的整体性分析研究——以杭州市环湖地区为例.pdf
- 城市供水系统摇蚊幼虫污染的生物防治技术研究进展.pdf
- 城市停车场规划方法及其应用研究.pdf
- 城市公交线网优化的理想决策方法.pdf
- 城市公共物品配置过程与效应研究.pdf
- 城市化对经济增长的影响机制研究——以江苏省为例.pdf
- 城市化模式研究综述盛广耀.pdf
- 《GB/Z 44363-2024致热性 医疗器械热原试验的原理和方法》.pdf
- GB/T 16716.6-2024包装与环境 第6部分:有机循环.pdf
- 中国国家标准 GB/T 44376.1-2024微细气泡技术 水处理应用 第1 部分:亚甲基蓝脱色法评价臭氧微细气泡水发生系统.pdf
- 《GB/T 44376.1-2024微细气泡技术 水处理应用 第1 部分:亚甲基蓝脱色法评价臭氧微细气泡水发生系统》.pdf
- GB/T 44376.1-2024微细气泡技术 水处理应用 第1 部分:亚甲基蓝脱色法评价臭氧微细气泡水发生系统.pdf
- 中国国家标准 GB/T 44315-2024科技馆展品设计通用要求.pdf
- GB/T 44305.2-2024塑料 增塑聚氯乙烯(PVC-P)模塑和挤塑材料 第2部分:试样制备和性能测定.pdf
- 《GB/T 44315-2024科技馆展品设计通用要求》.pdf
- GB/T 44315-2024科技馆展品设计通用要求.pdf
- GB/T 39560.9-2024电子电气产品中某些物质的测定 第9 部分:气相色谱-质谱法(GC-MS)测定聚合物中的六溴环十二烷.pdf
文档评论(0)