郭 毅 涂婧璐海南政法職業(yè)學(xué)院 海南海口 571100

?

基于HTML語義的多媒體資源數(shù)據(jù)采集研究

郭 毅 涂婧璐
海南政法職業(yè)學(xué)院 海南?？?571100

摘 要：在互聯(lián)網(wǎng)多媒體資源日益豐富的當(dāng)代，想收集相關(guān)的多媒體資源并使用是一件費(fèi)時(shí)費(fèi)力的工作。為了能更好地收集使用網(wǎng)絡(luò)上的多媒體資源，我們考慮在分析多媒體資源的特點(diǎn)的基礎(chǔ)上，結(jié)合Web網(wǎng)頁中與多媒體資源相關(guān)的上下文環(huán)境及HTML標(biāo)簽的語義來實(shí)現(xiàn)能夠自動采集多媒體資源的應(yīng)用。

關(guān)鍵詞：多媒體；HTML語義；數(shù)據(jù)采集

隨著計(jì)算機(jī)技術(shù)、通信技術(shù)和互聯(lián)網(wǎng)技術(shù)的迅速發(fā)展，網(wǎng)絡(luò)已成為當(dāng)今人們獲取信息的重要途徑，各種網(wǎng)絡(luò)資源應(yīng)用對人們的學(xué)習(xí)和生活的影響也日漸深刻和廣泛。多媒體資源作為網(wǎng)絡(luò)資源的重要組成部分，具有形象、生動、直觀、信息量大的優(yōu)點(diǎn)，不受時(shí)間和空間的限制，能夠情景再現(xiàn)，動靜結(jié)合，將抽象的內(nèi)容具體化、復(fù)雜的問題直觀化，刺激學(xué)習(xí)者的感觀和想象能力，激發(fā)學(xué)習(xí)興趣，使學(xué)習(xí)者在短時(shí)間內(nèi)獲取盡可能多的信息。但是面對浩瀚的網(wǎng)絡(luò)世界里的多媒體資源爆炸式增長，學(xué)習(xí)者想要快速、準(zhǔn)確地找到所需要的內(nèi)容往往是件不太容易的事情。教師們備課時(shí)需要在網(wǎng)絡(luò)上不斷尋找資源并整理加工，在重復(fù)的勞動中消耗時(shí)間和精力，能夠高效地將所需資源整合起來為工作和學(xué)習(xí)所用較困難。

在互聯(lián)網(wǎng)世界中絕大多數(shù)的多媒體資源載體是基于Web網(wǎng)頁形式存在的。因此，如果實(shí)現(xiàn)一種自動采集Web網(wǎng)頁上的多媒體資源數(shù)據(jù)功能的應(yīng)用，將能大大提高學(xué)習(xí)者效率，減輕學(xué)習(xí)者因資源收集所帶來的壓力，轉(zhuǎn)而將時(shí)間和精力集中到學(xué)習(xí)本身上，將起到事半功倍的效果。

目前，多媒體采集方法主要有基于內(nèi)容和基于文本的多媒體信息提取，其中前者很大程度上依賴于對采集條件的精確描述程度，另外對于多媒體信息的深層語義分析還很困難，相對來說基于內(nèi)容的多媒體采集技術(shù)還不是很成熟。

在Web網(wǎng)頁中的多媒體資源總是處于一定的上下文環(huán)境中，它們的語義與上下文環(huán)境有著密切的關(guān)系。從多媒體資源所在網(wǎng)頁的標(biāo)題、文件名、周圍文本等相關(guān)信息中可以提取出反映多媒體資源的主題、主體等關(guān)鍵信息，對多媒體資源采集具有重要意義，因此，基于文本的采集方法更成熟，采集命中率更高。

1 多媒體資源的特點(diǎn)

目前所說的多媒體資源主要包括文本資源、圖片資源、音頻資源、視頻資源、動畫資源等幾類。

文本資源：是指計(jì)算機(jī)中的文字內(nèi)容，是最有效、快速傳播知識信息的媒體元素。Web中的文本資源主要是以HTML中的文本標(biāo)記來標(biāo)記文字或以附件文件的形式下載，主要有TXT，DOC，WPS等格式。

圖片資源：生動直觀，很容易被認(rèn)知和接收，是多媒體資源庫中最重要的資源之一,也是決定多媒體應(yīng)用視覺效果好壞的關(guān)鍵因素。Web網(wǎng)頁中常見的圖像格式有JPEG，GIF，PNG等。其中，JPEG格式圖片占用空間小，是web網(wǎng)頁中最常見的圖像格式；GIF支持簡單動畫及透明效果；PNG結(jié)合前兩者優(yōu)點(diǎn)，不失真，文件小，能顯示透明圖像。

音頻資源：音頻資源媒體一般以分為音樂、語音和效果音。Web 中常見的音頻格式有WAV，MP3，WMA，MIDI等格式。其中，WAV格式示壓縮，用于聲效和背景音樂；MP3格式壓縮率高，文件小，音質(zhì)好，支持流媒體在線播放，適用于網(wǎng)絡(luò)傳輸；WMA格式是帶版權(quán)保護(hù)技術(shù)，壓縮率更高，音質(zhì)強(qiáng)于MP3；MIDI格式是一組聲音信息指令，占用空間小。

視頻資源：視頻資源包括生活錄像、影視剪輯、新聞報(bào)道等視頻影像資料都可以作為多媒體教學(xué)的視頻資源。Web中常見的視頻格式有FLV，MPEG，AVI等。其中，F(xiàn)LV格式文件極小、加載速度極快，支持流媒體，是目前主流的Web網(wǎng)頁視頻格式。MPEG格式是運(yùn)動圖像壓縮算法的國際標(biāo)準(zhǔn)，在視頻中應(yīng)用廣泛。AVI格式?jīng)]有壓縮，圖像質(zhì)量好，但是文件大。

動畫資源：它可以將抽象的內(nèi)容清晰地展現(xiàn)出來，將復(fù)雜的流程動態(tài)地演示出來，使學(xué)習(xí)內(nèi)容變得既直觀又簡單。網(wǎng)頁中的動畫最常見的格式是SWF格式，由于SWF格式文件占用空間很小，采用了流媒體技術(shù)，因此被廣泛應(yīng)用于Web網(wǎng)頁中，普及率很高。

2 基于Web網(wǎng)頁的多媒體資源分析

Web中的多媒體資源作為網(wǎng)頁的組成部分與文本混合嵌入在Web 網(wǎng)頁中，同時(shí)又以獨(dú)立的文件形式保存在Web 服務(wù)器中。因此，Web網(wǎng)頁中的多媒體包含兩方面的屬性：文件屬性和內(nèi)容屬性。多媒體的文件屬性指文件名、文件類型、文件大小等信息。內(nèi)容屬性是對多媒體數(shù)據(jù)所包含信息的描述。不同類型的多媒體文件具有不同的內(nèi)容屬性，如圖像的主色調(diào)、視頻的關(guān)鍵幀等。

圖像的文件屬性有圖像文件名、類型、大小、URL等相關(guān)數(shù)據(jù)；圖像的語義屬性包括圖像所表現(xiàn)的主題、事件、場景以及圖像中物體的名稱、姿態(tài)、空間關(guān)系等語義信息。

視頻是一系列片斷的表達(dá)，每個(gè)片斷可分為若干個(gè)場景，進(jìn)一步分為多個(gè)鏡頭。包含文件、語義屬性。其中語義屬性包含視頻標(biāo)題、類型和內(nèi)容描述，可以從網(wǎng)頁的上下文關(guān)聯(lián)環(huán)境中提取得到。其中類型又有電影、科技、教育等。

動畫在Web網(wǎng)頁上使用最多的為Flash動畫和GIF動畫。其中語義屬性包含動畫標(biāo)題、類型、描述，可以從網(wǎng)頁相關(guān)上下文中提取得到。其中類型有教學(xué)型、娛樂型、交互型等。

音頻包括語音、音樂和其他的波形聲音。音頻標(biāo)題、類型、描述，可以從網(wǎng)頁上下文中提取得到。其中類型可分為語音、音效、歌曲、音樂等。

3 多媒體資源的采集

Web網(wǎng)頁中是采用HTML語言來描述的。HTML即超文本標(biāo)記語言，是一種簡單、通用的文本標(biāo)記語言，可以制作包含文本、圖像、聲音、視頻、動畫等內(nèi)容的網(wǎng)頁，并可以提供各網(wǎng)頁之間的鏈接。Web 中的各種多媒體資源通過 HTML 語言嵌入到網(wǎng)頁中，Web瀏覽器下載用HTML 標(biāo)記過的文件，并對文件中的標(biāo)記進(jìn)行解釋，使用戶在屏幕上看到結(jié)構(gòu)化的包含文字、圖像或其他各種多媒體資源的網(wǎng)頁頁面。