网络信息

           传统的网络数据抽取是针对抽取对象手工编写一段专门的抽取程序，这个程序称为包装器（wrapper）。近年来，越来越多的网络数据抽取工具被开发出来，替代了传统的手工编写包装器的方法。目前的网络数据抽取工具可分为以下几大类（实际上，一个工具可能会归属于其中若干类）：
　　?开发包装器的语言（Languages for Wrapper Development）：用户可用这些语言方便地编写包装器。例如Minerva，TSIMMIS，Web-OQL，FLORID，Jedi等。
　　?以HTML为中间件的工具（HTML-aware Tools）：这些工具在抽取时主要依赖HTML文档的内在结构特征。在抽取过程之前，这些工具先把文档转换成标签树；再根据标签树自动或半自动地抽取数据。代表工具有Knowlesys，MDR。
　　?基于NLP（Natural language processing）的工具（NLP-based Tools）：这些工具通常利用filtering、part-of-speech tagging、lexical semantic tagging等NLP技术建立短语和句子元素之间的关系，推导出抽取规则。这些工具比较适合于抽取那些包含符合文法的页面。代表工具有 RAPIER，SRV，WHISK。
　　?包装器的归纳工具（Wrapper Induction Tools）：包装器的归纳工具从一组训练样例中归纳出基于分隔符的抽取规则。这些工具和基于NLP的工具之间zui大的差别在于：这些工具不依赖于语言约束，而是依赖于数据的格式化特征。这个特点决定了这些工具比基于NLP的工具更适合于抽取HTML文档。代表工具有：WIEN，SoftMealy，STALKER。
 

　　?基于模型的工具（Modeling-based Tools）：这些工具让用户通过图形界面，建立文档中其感兴趣的对象的结构模型，“教”工具学会如何识别文档中的对象，从而抽取出对象。代表工具有：NoDoSE，DEByE。
 

　　?基于本体的工具（Ontology-based Tools）：这些工具首先需要专家参与，人工建立某领域的知识库，然后工具基于知识库去做抽取操作。如果知识库具有足够的表达能力，那么抽取操作可以做到*自动。而且由这些工具生成的包装器具有比较好的灵活性和适应性。代表工具有：BYU，X-tract。
 

　　网络数据抽取技术流程的实现
　其具体步骤如下（以zui通用的‘Knowlesys采集’步骤为例）
 

　　*步，确立采集目标，即由用户选择目标。
 

　　第二步：提取特征信息，即根据目标的网页格式，提取出采集目标数据的通性。
 

　　第三步：网络信息获取，即利用工具自动的把页面数据把存到数据库。