Nástroj pro detekci a extrakci informací z HTML

Abstract

Těžení dat z webu je, společně s tím jak se množství dat na internetu neustálezvětšuje, stále důležitějším oborem informačních technologií. Hlavním cílem práce je vytvoření nástroje schopného automatické extrakce zajímavých dat z webových stránek a experimentální ověření jeho efektivity. Nástroj byl vytvořen v JavaScriptu a bylo ověřeno, že v případě přítomnosti sémantických anotací na webových stránkách je nástroj schopen spolehlivě extrahovat informace, v ostatních případech je kvalita extrakce nižší. Výstup práce bude možné využít jak sám o sobě, tak při vývoji dalších nástrojů pracujících s webem, jako jsou crawlery či scrapery.

The bigger the Internet gets, the more important it is to be able to efficiently extract data from it. The main goal of this thesis is to implement a tool capable of automatic data extraction from web sites and to verify its capabilities in a set of experiments. The tool was successfully implemented in JavaScript and a series of experiments was run to verify that the tool works reliably when semantic annotations are present. The output of this thesis can be used either on its own or when developing other kinds of tools that work with the Web, such as crawlers or scrapers.