一种基于后缀树的包装器自动生成方法研究

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (34): 114-118.

一种基于后缀树的包装器自动生成方法研究

李永丽¹,张玉良²

1.东北师范大学计算机学院，长春 130024
2.吉林大学计算机科学与技术学院，长春 130012

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-01 发布日期:2007-12-01
通讯作者: 李永丽

Research of automatic wrapper generation method based on suffix tree

LI Yong-li¹,ZHANG Yu-liang²

1.College of Computer，Northeast Normal University，Changchun 130024，China
2.College of Computer Science and Technology，Jilin University，Changchun 130012，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-01 Published:2007-12-01
Contact: LI Yong-li

摘要/Abstract

摘要： 包装器是一种能够从网页中自动抽取数据并将其转换为结构化数据的软件程序。现有的包装器生成系统多是半自动化的，需要用户具有关于目标页面的先验知识，而且大多只能处理简单结构数据，而不能很好地处理具有嵌套结构的数据。提出了一种基于后缀树的包装器自动生成方法，生成的包装器不仅可以处理简单结构数据，还可以处理嵌套结构数据，具有较低的时间复杂度，有一定的实用价值。

关键词: 网页, 信息抽取, 后缀树, 半结构化数据, 包装器自动生成

Abstract: Wrappers are specialized program routines that automatically extract data from Web pages and convert the information into a structured format.Currently，most approaches to wrapper construction are semi-automated：they either need human involvement or have mainly focused on extracting plain-structured data objects with a fixed number of attributes and values，and usally cannot handle nested-structured data objects，whose instances may have variable number of values on their attributes.In this paper，makes a research on a suffix tree based automatic wrapper generation method.The wrapper generated by this method can handle not only data objects with plain structures，but also those with nested structures.This method decreases time complexity，and has certain useful value.

Key words: Web page, information extraction, suffix tree, semi-structure data, automatic wrapper generation

李永丽¹,张玉良². 一种基于后缀树的包装器自动生成方法研究[J]. 计算机工程与应用, 2007, 43(34): 114-118.

LI Yong-li¹,ZHANG Yu-liang². Research of automatic wrapper generation method based on suffix tree[J]. Computer Engineering and Applications, 2007, 43(34): 114-118.

[1]	万梦翔，姚寒冰. 面向恶意网页训练数据生成的GAN模型[J]. 计算机工程与应用, 2021, 57(6): 124-130.
[2]	高见，孙懿，王润正，袁得嵛. 基于机器学习的浏览器挖矿检测模型研究[J]. 计算机工程与应用, 2021, 57(22): 125-130.
[3]	隗昊，周爱，张益嘉，陈飞，屈雯，鲁明羽. 深度学习生物医学实体关系抽取研究综述[J]. 计算机工程与应用, 2021, 57(21): 14-23.
[4]	姜金川，王冲. 基于学习自动机和用户兴趣的PageRank算法研究[J]. 计算机工程与应用, 2020, 56(3): 80-85.
[5]	吴呈，王朝坤，王沐贤. 基于文本化简的实体属性抽取方法[J]. 计算机工程与应用, 2020, 56(21): 115-122.
[6]	陈本刚，宋礼鹏. 网页内容链接层次语义树的恶意网页检测方法[J]. 计算机工程与应用, 2020, 56(11): 90-97.
[7]	余恩泽，努尔布力，于清. 一种基于集成学习的钓鱼网站检测方法[J]. 计算机工程与应用, 2019, 55(18): 81-88.
[8]	高永兵1，张贵娟1，胡文江1，马占飞2. 基于后缀树算法的地区微博摘要技术研究[J]. 计算机工程与应用, 2018, 54(9): 126-132.
[9]	杜博远1，王美清1，陈长福2，陈飞1. 基于结构一致和特征学习的网页信息标签提取[J]. 计算机工程与应用, 2017, 53(7): 74-78.
[10]	齐向明，孙文心. 一种多特征因子融合的PageRank算法研究[J]. 计算机工程与应用, 2017, 53(7): 97-103.
[11]	赵晓永，王磊. 电商网页中商品规格信息自动抽取方法研究[J]. 计算机工程与应用, 2017, 53(24): 168-171.
[12]	丁岩，努尔布力. 基于URL混淆技术识别的钓鱼网页检测方法[J]. 计算机工程与应用, 2017, 53(20): 75-82.
[13]	李洪奇，冯海波，张伟，杨中国，宋伟城. 基于字集特征向量的网页消重改进算法[J]. 计算机工程与应用, 2017, 53(2): 53-57.
[14]	谷楠楠，冯筠，孙霞，赵妍，张蕾. 中文简历自动解析及推荐算法[J]. 计算机工程与应用, 2017, 53(18): 141-148.
[15]	冯钦林，杨志豪，林鸿飞. 疾病-病症和病症-治疗物质的关系抽取研究[J]. 计算机工程与应用, 2017, 53(10): 251-257.