Extrakce informace z WWW na základě znalosti struktury dat

S rostoucím množstvím dat, která jsou přístupná prostředictvím WWW je stáleaktuálnější problém jejich dalšího zpracování, například za účelem jejichintegrace do většího informačního celku, nebo za účelem získávání znalostíz těchto dat. Současné techniky automatické extrakce informace z HTMLdokumentů ve většině případů vycházejí z předpokladu, že existuje množinadokumentů generovaných stejným způsobem ze společné báze dat. Na základěanalýzy této množiny jsou pomocí různých postupů, ať již za asistenceuživatele či automaticky, určena pravidla pro extrakci konkrétních datz HTML dokumentu. V praxi však tento předpoklad často není splněn, mnohodokumentů se buď vyskytuje pouze v jedné instanci (např. osobní stránky)nebo podobné dokumenty nejsou generovány zcela identickým způsobem. V tomtopříspěvku navrhujeme nový přístup, který je založen na popisu logické strukturyobsahu HTML dokumentu pomocí XML. Dále navrhujeme způsob extrakce datz tohoto popisu pomocí XSL transformace na základě předem připravenéspecifikace a dále se příspěvek zabývá možnostmi automatické extrakceinformace na základě srovnání struktury požadovaných dat se strukturoudokumentu za pomoci algoritmů pro porovnávání stromových struktur.

This paper deals with the matter of modelling the logical structure ofa Web site and using such model for information extraction. It proposesan algorithm for creating a site model based on the HTML code analysisand a XML/XSL based system for information extraction from this model.Furthermore, the possibility of the usage of tree matching algorithmsfor automating the extraction process is discussed.