1、隨著計算機的普及以及互聯(lián)網(WWW)的迅猛發(fā)展，大量的數(shù)據(jù)以電子文檔的形式出現(xiàn)在人們面前。而表格作為一種簡潔有效的數(shù)據(jù)信息表達方式，在各種領域的Web頁中都用得十分廣泛。據(jù)統(tǒng)計，約有52％的Web頁面包含表格。因此，從Web表格中抽取信息就成為Web信息抽取領域重要的課題之一。 Web表格信息抽取技術提出于上世紀九十年代，至今仍處于探索階段。從當前的研究技術上看，主要有基于包裝器(Wrapper)和基于結構識別兩種方式。前者是傳

2、統(tǒng)的信息抽取方法，對頁面結構的依賴性強，可重用性差；而后者則是本文研究的重點。本文旨在希望通過研究一種具有空間適應性和領域獨立性的表格結構識別技術，使應用程序能夠達到理解表格的目的，從而將其應用在Web表格信息抽取領域。 本文對Web表格的結構識別工作分兩步進行。首先從紛繁復雜的Web頁面中濾去那些用于控制頁面結構而不是表達有效數(shù)據(jù)信息的“假表格”。本文通過大量的觀察，提取出識別真假表格的特征信息，形成啟發(fā)式規(guī)則；在此基礎上設計

3、并實現(xiàn)一系列算法；最后通過傳統(tǒng)的信息抽取指標——召回率、準確率和F指數(shù)來衡量識別結果。實驗顯示，本文的算法有較強的表格定位能力。 表格定位輸出后，本文第二步對表格的內部結構識別進行了深入的分析。識別表格結構的關鍵在于從不同類型的表格中提取出一種抽象的邏輯表格模型。本文提出了一種表格分析的層次模型，在該模型指導下，逐步生成物理內存表格、抽象邏輯表格以及功能性表格。 物理內存表格主要探討表格在內存中的存儲結構以及從DOM樹向