10、Web文档与超链接的元数据及结构内容表示

Web文档与超链接的元数据及结构内容表示

在Web数据处理与分析中，准确表示Web文档和超链接的元数据、结构以及内容至关重要。下面将详细介绍相关的表示方法和技术。

1. 仓库对象模型概述

引入了节点（Node）和链接（Link）类型来表示Web文档和超链接的元数据、结构和内容。
- 节点类型（Node） ：由名称、一组节点元数据属性和一组节点结构属性组成。节点元数据属性用于捕获与Web文档（不包括超链接）相关的元数据信息，如URL、最后修改日期和大小等。每个属性可以是原子的或复杂的，复杂的元数据属性包含另一级的元数据属性组件。节点结构属性用于建模Web文档的内容和结构。
- 链接类型（Link） ：由名称、一组链接元数据属性、一组链接结构属性和一个引用标识符组成。链接元数据属性用于表示与超链接相关的元数据信息，如链接类型、源URL和目标URL等。

2. Web文档和超链接的元数据表示

2.1 HTML和XML文档的元数据

目前，HTML或XML文档可能具有以下元数据，部分元数据可能是分层的，可以进一步分解为更细粒度的元数据。
| 元数据类型 | 详细信息 |
| ---- | ---- |
| 文档URL | 可分解为主机名、域名、协议、路径、文件名和地理位置 |
| 服务器提供信息 | 格式、大小（字节）和最后修改日期，日期可进一步分解为月、日、年、星期和时间 |

超链接的元数据包括：
- 源URL：包含链接的Web文档的URL。
- 目标URL：被引用文档