劉維++陳銀++熊偉程
摘 要：根據(jù)網(wǎng)頁具有極高的相似結(jié)構(gòu)和局部代碼重復(fù)性的特點(diǎn)，總結(jié)Web頁面信息自動化提取時的步驟。再根據(jù)Web頁面的結(jié)構(gòu)特點(diǎn)，利用DOM樹將頁面的信息提取出來，分析當(dāng)步驟實(shí)現(xiàn)時HTML的預(yù)處理流程和HTML頁面的解析過程，將提取出來的信息集中顯示，以達(dá)到推送的目的。
關(guān)鍵詞：HTML頁面；DOM樹；正則表達(dá)式；微信公眾平臺
1 引言
隨著“互聯(lián)網(wǎng)+”時代的到來，信息的來源，可信度，及時度越來越受到人們的關(guān)注，但現(xiàn)在大多數(shù)的信息都是來自Web網(wǎng)頁，這樣的信息多而雜，具網(wǎng)絡(luò)資料顯示，文本信息正以指數(shù)型式不斷增長。為了節(jié)約時間，就有了基于Web頁面挖掘技術(shù)的產(chǎn)生。實(shí)現(xiàn)信息推送最好的選擇就是微信公眾平臺。微信公眾平臺是最近幾年新出的推送信息的一種新方式，它是騰迅公司在微信的基礎(chǔ)上新增的功能模塊，通過這一平臺，個人和企業(yè)都可以打造一個微信的公眾號，并實(shí)現(xiàn)和特定群體的文字、圖片、語音的全方位溝通、互動。
2 Web頁面挖掘
如今Internet上很多網(wǎng)頁都是動態(tài)生成的，通過用戶填寫表單提交信息，動態(tài)的生成Deep Web頁面，與此同時用戶提交的大量數(shù)據(jù)信息被保存在網(wǎng)站的后臺數(shù)據(jù)庫中。由于頁面中數(shù)據(jù)記錄之間的代碼具有極高的結(jié)構(gòu)相似性，因此Web數(shù)據(jù)記錄所對應(yīng)的標(biāo)簽樹之間自然也具有很高的相識性，所以網(wǎng)頁往往具有相似的結(jié)構(gòu)和局部代碼重復(fù)性。因此數(shù)據(jù)的自動化提取則可以分為以下幾個步驟：
（1）輸入一些具有相同或相似結(jié)構(gòu)的Web頁面。
（2）對這些Web頁面進(jìn)行預(yù)處理，就是將一些與網(wǎng)頁無關(guān)的內(nèi)容進(jìn)行刪除，將代碼結(jié)構(gòu)不嚴(yán)謹(jǐn)?shù)腍TML頁面轉(zhuǎn)換成結(jié)構(gòu)嚴(yán)謹(jǐn)、易于處理的HTML頁面。
（3）將處理好的頁面解析成以標(biāo)簽為隊(duì)列的線性數(shù)據(jù)結(jié)構(gòu)，接著利用標(biāo)簽隊(duì)列的匹配去除頁面中的廣告，導(dǎo)航欄等。
（4）按照一些頁面性質(zhì)將網(wǎng)頁中的標(biāo)簽歸類成為一些小集合，然后對這些小集合的有效數(shù)據(jù)進(jìn)行自動抽取，并自動生成該類的模版頁。
3 DOM標(biāo)簽樹
HTML通過定義一套標(biāo)簽來刻畫顯示的頁面。依據(jù)標(biāo)簽的作用可將HTML的標(biāo)簽分為三類：
（1）規(guī)劃網(wǎng)頁布局的標(biāo)簽。在視覺上，我們都知道網(wǎng)頁是由無數(shù)的方塊嵌套在一起組成，而里面的內(nèi)容則是由標(biāo)簽規(guī)劃出來的。常用的標(biāo)簽有：
等。
（2）描述顯示特點(diǎn)的標(biāo)簽。在網(wǎng)頁中常看到為了引起我們注意的不同格式文字，它們都是由一些標(biāo)簽規(guī)定的，這類標(biāo)簽稱為信息標(biāo)簽。常用的有：
等。
（3）超鏈接相關(guān)的標(biāo)簽：超鏈接是網(wǎng)頁區(qū)別于普通文本最明顯的特征之一。它表示著網(wǎng)頁間的關(guān)系，整理出超鏈接標(biāo)簽可以挖掘出網(wǎng)頁間的相關(guān)內(nèi)容。
4 部分功能與實(shí)現(xiàn)的步驟
4.1 HTML的預(yù)處理
現(xiàn)在大多數(shù)的網(wǎng)站都是以HTML文檔形式向客戶展開，每一個頁面中的數(shù)據(jù)和格式都是以一組成對的“始標(biāo)記”與“結(jié)束標(biāo)記”組成。例如：
和
，，
等。在頁面中的標(biāo)簽可以相互嵌套使用。為了避免網(wǎng)頁不兼容、代碼錯誤的現(xiàn)象可能導(dǎo)致的頁面解析失敗，我們可以先除去一些無用的標(biāo)簽，如：，
