Nástroj pro detekci a extrakci informací z HTML
Tool for detection and extraction of information from HTML
Typ dokumentu
diplomová prácemaster thesis
Autor
Kottnauer Jakub
Vedoucí práce
Kuchař Jaroslav
Oponent práce
Dojčinovski Milan
Studijní obor
Webové a softwarové inženýrstvíStudijní program
InformatikaInstituce přidělující hodnost
katedra softwarového inženýrstvíPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
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.
Kolekce
- Diplomové práce - 18102 [942]