摘要
提出一种针对电子商务网站商品列表页数据记录的自动抽取方法。该方法根据商品记录的特点,通过商品记录中商品的文本、图片以及布局等节点类型信息计算节点对应的值,依据节点值的相似度对节点进行分组,再从不同分组中过滤出包含数据记录节点的集合,从而抽取整个页面的数据记录。实验结果证明该方法有效且抽取效率较高。
This paper proposes an automatic extraction method for Product Data Record（PDR） of list page on E-commerce website.According to the characteristics of the product records,it calculates value for each node in the DOM tree of page by the node type information of text,image,layout and so on,classifies these nodes according to their similarity of value,and gets the final node collection which contains data record,so that the data records of the whole page are extracted.Experimental results show that the method is effective and with high efficiency.
出处
《计算机工程》
CAS
CSCD
北大核心
2010年第23期262-265,共4页
Computer Engineering
基金
国家自然科学基金资助项目(60970015)
2008年江苏省重大科技支撑与自主创新基金资助项目(BE2008044)
江苏省基础研究计划企业博士创新基金资助项目(BK2009563)
关键词
WEB信息抽取
数据抽取
信息集成
商品数据记录
Web information extraction
data extraction
information integration
Product Data Record（PDR）
