15、利用高级栈机器提取HTML文档结构

利用高级栈机器提取HTML文档结构

1. 引言

在万维网发展初期，用户主要依赖网页浏览器提供的超链接，通过鼠标点击来检索感兴趣的信息，但很快就容易在网络空间中迷失方向。此后，网页设计师和用户一直在寻找更好的替代方法。目前，从网络中检索信息主要有两种方法：一是使用索引服务器的关键字搜索法；二是使用Web查询语言，包括类似SQL和Datalog的查询语言。

为了更好地理解这个问题，我们需要明确三种数据类型：无结构数据、结构化数据和半结构化数据。无结构数据通常存储在可执行文件、无格式代码的纯文本文件和音频文件等中；结构化数据的典型例子是关系数据库模型中的表格；半结构化数据则介于这两种极端类型之间，例如包含格式代码的文本文件（如DTgX和HTML文件），以及一些需要严格内部结构但部分结构组件可以省略的文件（如BIBTf^X文件、Unix环境文件等）。

网络信息是各种异构数据的集合，其中HTML文档是主要组成部分，还包括图像、声音和视频片段等其他类型的数据。HTML规范是在网络上发布信息最广泛使用的范例，但它并不要求HTML文档具有统一的结构，例如一个HTML文档中出现的元素可能在其他文档中缺失。因此，我们将HTML文档H视为其中嵌入的半结构化数据的文本表示。

使用半结构化数据的一个好处是其在数据表示上具有灵活性。然而，目前半结构化数据的理论仍不完善，也没有统一的标准定义。在本文中，如果一个有限的数据对象集合 {o1, o2, …, on} 满足以下条件，我们就将其视为半结构化数据D：
- D的结构不规则或不完整；
- D的模式与 {o1, o2, …, on} 之间的区别模糊，且模式可能动态变化；
- o i（1 < i <