Um método baseado em informações de renderização para extração de dados de páginas web.

Simple item page
dc.contributor.advisorFerreira, Anderson Almeidapt_BR
dc.contributor.authorFigueiredo, Leandro Neiva Lopes
dc.date.accessioned2015-11-26T18:23:47Z
dc.date.available2015-11-26T18:23:47Z
dc.date.issued2015
dc.descriptionPrograma de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.pt_BR
dc.description.abstractA 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.pt_BR
dc.description.abstractenExtracting 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.
dc.identifier.citationFIGUEIREDO, 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.pt_BR
dc.identifier.urihttp://www.repositorio.ufop.br/handle/123456789/5840
dc.language.isopt_BRpt_BR
dc.rights.licenseAutorização 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.pt_BR
dc.titleUm método baseado em informações de renderização para extração de dados de páginas web.pt_BR
dc.typeDissertacaopt_BR
Files
Original bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
DISSERTAÇÃO_MétodoBaseadoInformações.pdf
Size:
1.42 MB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.57 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
PPGCC - Mestrado (Dissertações)