陳俊潔

摘要：隨著社會經(jīng)濟(jì)的快速發(fā)展，計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)已經(jīng)得到了廣泛的應(yīng)用，利用web來對信息進(jìn)行提取已經(jīng)成為人們工作中最常使用的辦法，目前有很多信息都是通過web來進(jìn)行提供的，但是越來越多web信息的出現(xiàn)讓提取更困難，針對這種情況應(yīng)該選擇更加精確的檢索技術(shù)，本文就對web信息提取技術(shù)與應(yīng)用問題進(jìn)行分析。

關(guān)鍵詞：web；信息提取技術(shù)；應(yīng)用意義；分析

中圖分類號：TP391.1 文獻(xiàn)標(biāo)識碼：A 文章編號：1007-9416（2017）09-0114-01

1 web信息提取技術(shù)研究的意義

傳統(tǒng)的信息提取技術(shù)是起源于80年代的，在90年代消息理解會議召開了，同時(shí)web項(xiàng)目也成立起來并得到了一定的發(fā)展，從目前來看，web信息提取技術(shù)中還是存在很多的不足之處，例如檢索方法不夠合理，結(jié)果顯示比較單一等等，由于出現(xiàn)的多種問題，會對整個的系統(tǒng)造成損害，因此就需要相關(guān)人員進(jìn)行更加深入的研究，web信息提取技術(shù)有著一定的實(shí)用性，它也是所有系統(tǒng)構(gòu)建的基礎(chǔ)部分，要想找到這些web數(shù)據(jù)就要將信息集成的問題解決了，還可以增加一些實(shí)際方面的應(yīng)用，例如網(wǎng)上的購物系統(tǒng)、企業(yè)情報(bào)系統(tǒng)、網(wǎng)站的建立等等，這些都需要來自web信息提取技術(shù)的支持，相關(guān)部門要加大web信息提取技術(shù)的使用力度，這樣才是最合乎發(fā)展的。

2 web信息提取分類以及技術(shù)分析

2.1 基于正則表達(dá)式的信息提取

正則表達(dá)式是通過一些字符串來體現(xiàn)的公式，這也應(yīng)用了web信息提取技術(shù)，首先應(yīng)該將web文檔作為文件來進(jìn)行處理，這種文件一般是字符流文件，然后制作出正則表達(dá)式對信息進(jìn)行相應(yīng)的提取，最后才能得到想要的信息，利用正則表達(dá)式的方式獲取信息更加方便，能夠根據(jù)新聞的特征來獲取信息，這些信息包括新聞的標(biāo)題、內(nèi)容等方面，從而在得到了文本文件之后，就能夠采用分類聚類的算法，讓傳統(tǒng)技術(shù)得到更大范圍的使用，也能實(shí)現(xiàn)對網(wǎng)頁進(jìn)行分類聚類。

2.2 自然語言處理的信息提取

對于自然語言的信息提取，要充分符合源文檔中的文本情況，這也在一定程度上借鑒了自然語言的處理方式，將子句結(jié)構(gòu)以及子句的關(guān)系進(jìn)行分析，按照語法語義的原則進(jìn)行信息提取，利用這種原理的系統(tǒng)包括有SRV、WNISK等，當(dāng)然利用這種方式也存在一定的缺點(diǎn)，例如web網(wǎng)頁中會出現(xiàn)很多的鏈接，而且還都是被HTML所修飾的，因此這都不是最完整的句子，在技術(shù)的應(yīng)用方面也會受到局限，同時(shí)在實(shí)現(xiàn)的時(shí)候如果沒有將web文檔作為普通文本來進(jìn)行處理的話，那么就缺乏一定的實(shí)用性。

2.3 基于HTML結(jié)構(gòu)的信息提取

對基于HTML結(jié)構(gòu)的信息進(jìn)行提取，是web信息提取技術(shù)與應(yīng)用中十分重要的部分，對信息進(jìn)行提取時(shí)，應(yīng)該具備的特點(diǎn)是要根據(jù)web頁面的結(jié)構(gòu)進(jìn)行定位，然后可以通過解析器的方式實(shí)現(xiàn)更多的操作，對結(jié)構(gòu)模式進(jìn)行信息提取的時(shí)候也應(yīng)該采用全自動的形式，這種方式雖然優(yōu)勢很多，但這也存在很多的問題，一方面是確定的數(shù)據(jù)中存在很多客戶不用的信息。另一方面是可以通過提取的方式進(jìn)行樣本訓(xùn)練，在樣本選擇的角度分析也可以對結(jié)構(gòu)模式產(chǎn)生一定的影響。如果將web查詢看作是巨大的數(shù)據(jù)庫，那么就可以利用web的查詢語言對文檔進(jìn)行查詢，可以利用的系統(tǒng)包括web-sql等，目前這些技術(shù)都還需要進(jìn)一步的理論探討。

3 web信息提取系統(tǒng)的構(gòu)建及性能評價(jià)

web信息提取系統(tǒng)的體系結(jié)構(gòu)通常會采用通用體系結(jié)構(gòu)，也能夠?qū)⒃撓到y(tǒng)稱為級聯(lián)的轉(zhuǎn)換器或者模塊集合，對于一些難以過濾掉的信息，就可以增加上新的結(jié)構(gòu)信息。一般的信息提取系統(tǒng)是由以下幾個模塊組成的，（1）文本分塊，這是說將輸入的文本分割成不同的部分來進(jìn)行分析。（2）預(yù)處理，預(yù)處理就是將文本塊轉(zhuǎn)為句子的序列，這些句子都是由詞匯以及類組成的。（3）分析，分析中包括預(yù)分析以及分析兩個部分，預(yù)分析是對詞匯中小型的結(jié)構(gòu)，例如名詞、動詞等進(jìn)行識別，而分析是對結(jié)構(gòu)以及詞匯項(xiàng)進(jìn)行描述，從而得到相應(yīng)的集合。

要實(shí)現(xiàn)web信息提取系統(tǒng)可以采用兩種方法，一是利用知識工程的方法，利用該方法需要了解一定的知識領(lǐng)域，但是這對于人才來說是非常缺乏的，第二種是自動訓(xùn)練的方式，這種情況不用使用專業(yè)的知識工程師，只需要利用語料庫來獲取就好了，任何領(lǐng)域的人都可以根據(jù)事先的規(guī)定，來確定足夠數(shù)量的數(shù)據(jù)，這樣才能保證處理的質(zhì)量。通過一定的分析，也能夠發(fā)現(xiàn)web信息提取技術(shù)中存在的不足，在以后的發(fā)展中應(yīng)該擴(kuò)大web信息提取技術(shù)的范圍，還要逐步簡化學(xué)習(xí)的過程，讓系統(tǒng)對網(wǎng)頁的適應(yīng)性更強(qiáng)，這樣才能提高系統(tǒng)的準(zhǔn)確性，充分利用一些技術(shù)來構(gòu)建web信息提取系統(tǒng)，這都是以后web信息提取技術(shù)發(fā)展中需要注意的問題。

4 結(jié)語

綜上所述，主要對web信息提取技術(shù)與應(yīng)用進(jìn)行分析，在web中進(jìn)行信息提取是十分重要的步驟，在實(shí)際的工程項(xiàng)目中也有著明確的需求，但是由于web頁面有著一定的復(fù)雜性，因此需要更加嚴(yán)密的計(jì)劃才能實(shí)現(xiàn)技術(shù)方面的應(yīng)用，這對于研究人員來說是一種考驗(yàn)，作為研究人員需要不斷的豐富自身的經(jīng)驗(yàn)，加大學(xué)習(xí)與研究的力度，才能提高web信息提取的自動化程度，對我國以后方面的發(fā)展有更大的幫助。

參考文獻(xiàn)

[1]姜欣，楊國軍.基于XML半結(jié)構(gòu)化的Web網(wǎng)頁信息提取研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2015，（10）：59-60.

[2]劉澤偉.面向煤礦安全事件的Web信息抽取技術(shù)研究與應(yīng)用[D].北京工業(yè)大學(xué)，2015.

[3]陳志宇.基于優(yōu)化NFA正則匹配的Web信息抽取技術(shù)及應(yīng)用研究[D].杭州電子科技大學(xué)，2015.

[4]羅糧，朱儒明.基于正則表達(dá)式的Web頁面信息抽取技術(shù)研究[J].現(xiàn)代計(jì)算機(jī)，2017，（15）：17-19.

[5]宋碩.基于Web信息抽取技術(shù)的企業(yè)情報(bào)分析系統(tǒng)的研究[J].數(shù)字技術(shù)與應(yīng)用，2016，（2）：91-92.

[6]李寶密.基于自動生成模板的Web信息抽取技術(shù)[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016，（9）：56.endprint