[发明专利]一种半结构化Web信息抽取技术的方法

权利要求书

1.一种半结构化Web信息抽取技术的方法其主要是基于HTML文档的半结构化Web信息抽取出来，将它们转换为结构化数据，并且保存到关系数据库。

2.根据权利要求1所述则进行数据获取;系统采用GET方式代替POST方式解决网站的登录和参数传递问题。

3.根据权利要求2所述系统首先根据用户指定的URL获取样例网页数据并且将该网页利用HTMLTidy转换为XML(实际为XHTML)，并且利用XMLParser将该XML文档解析为DOM(DocumentObjectModel)树，这样DOM树就成为Web网页在系统内部的表示方式。

4.根据权利要求3所述该ETL工具实现了结构化数据和半结构化的文本数据的抽取转换和加载工作。

5.根据权利要求4所述中采用了HTMLTiay更加将HTML文档转换为XHTML文档，而且XHTML文档为XML的子集，符合XML规范，时格式良好的(Well．formed)。

6.目的表结构创建；获取目的表的元数据定义信息，然后执行如下步骤：

a.根据Database_Server信息连接到目的数据库服务器;

b.根据目的表的定义信息(TaNe_lnformation)(在1EPDF中)，生成SQL建表语句(CREATETABLE);

c.执行SQLCREATETABLE语句。