Extrakce textových dat z internetových stránek

Troják, David

Extracting text data from the webpages

Grade

Altmetrics

Metadata

Show full item record

Abstract

Tato práce se zabývá dolováním textových údajů z webových stránek, přehledem možných programů a způsoby extrakce textu. Součástí je program, vytvořený v programovacím jazyku Java, který umožňuje získávat textová data z konkrétních webových stránek a ukládat je do xml souboru.

This work deals with text mining from web pages, an overview of available programs and its methods of text extraction. Part of this work is the program created in Java language, which allows text to obtain data from specific web pages and save them into XML file.

Keywords

Extrakce informací, získání textových dat z webu, problémy při extrakci dat, wrappery, Java program, Information extraction, text mining from Web pages, problems with extraction data, wrapper, the Java program

Language

čeština (Czech)

Study brunch

Teleinformatika

Composition of Committee

doc. Ing. Karel Němec, CSc. (předseda) doc. Ing. Václav Zeman, Ph.D. (místopředseda) Ing. Radomír Svoboda, Ph.D. (člen) doc. Ing. Lukáš Malina, Ph.D. (člen) Ing. Pavel Šilhavý, Ph.D. (člen) Ing. Zdeněk Martinásek, Ph.D. (člen) Ing. Ondřej Krajsa, Ph.D. (člen)

Date of defence

2012-06-13

Process of defence

Váš program pracuje s webovými stránkami pouze jednoho serveru. Jak byste změnil architekturu programu, aby bylo možné jednoduše přidat libovolný jiný server? V kapitole 2.8 uvádíte, že není možné editovat XML soubor. Je to skutečně pravda? Jaké máte možnosti pro úpravu XML souboru? Jaké má práce uplatnění?

Result of the defence

práce byla úspěšně obhájena

Persistent identifier

http://hdl.handle.net/11012/9845

Source

TROJÁK, D. Extrakce textových dat z internetových stránek [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2012.

Collections

2012 [467]