Please use this identifier to cite or link to this item: http://www.repositorio.ufop.br/handle/123456789/5840
Title: Um método baseado em informações de renderização para extração de dados de páginas web.
Authors: Figueiredo, Leandro Neiva Lopes
metadata.dc.contributor.advisor: Ferreira, Anderson Almeida
Issue Date: 2015
Citation: FIGUEIREDO, Leandro Neiva Lopes. Um método baseado em informações de renderização para extração de dados de páginas web. 2015. 75 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2015.
Abstract: A extração de dados de páginas web é uma importante tarefa para várias aplicações, como comparadores de preços, bibliotecas digitais e mineradores de dados. Grande parte dos dados necessários para essas aplicações é disponibilizada através de páginas de resultado de busca, onde cada resultado, chamado de search result record, representa um registro de um banco de dados. Um dos passos mais importantes para extrair esses registros é identificar, dentre as diferentes regiões de dados de uma página, aquela que contém os registros a serem extraídos, ou seja, a principal região de dados. Uma identificação errada dessa região pode resultar em uma extração incorreta dos search result records. Outro passo importante é a detecção e a separação de cada registro dentro dessa principal região de dados, bem como de seus respectivos atributos. Nesse trabalho, é proposto um método que, baseado nas informações de renderização dos elementos da página de resultado de busca, seleciona a sua principal região de dados e extrai seus registros e atributos. Experimentos utilizando páginas de vários domínios de aplicação mostram que o método é efetivo e competitivo em relação a alguns métodos já existentes.
metadata.dc.description.abstracten: Extracting data from web pages is an important task for several applications, such as comparison shopping and data mining. Much of that data is provided by search result pages, in which each result, called search result record, represents a record from a database. One of the most important steps for extracting such records is identifying, among di erent data regions from a page, one that contains the records to be extracted. An incorrect identi cation of this region may lead to an incorrect extraction of the search result records. Other important step is detecting and separating each record and its attributes inside the main data region. In this work, we propose a method that selects the main data region from a given search result page and extracts its records and their attributes based on the rendering area information of its elements. Experimental results using web pages from several domains show that the method is highly e ective and very competitive compared with some methods.
Description: Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.
URI: http://www.repositorio.ufop.br/handle/123456789/5840
metadata.dc.rights.license: Autorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 23/11/2015 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho desde que sejam citados o autor e o licenciante. Não permite a adaptação.
Appears in Collections:PPGCC - Mestrado (Dissertações)

Files in This Item:
File Description SizeFormat 
DISSERTAÇÃO_MétodoBaseadoInformações.pdf1,45 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons