Gerekli veriyi web
sayfasından çıkarmak veri madenciliği ve bilgi erişimi alanındaki uygulamalar
için önemlidir. Web sayfasından veriyi çıkarmak için DOM tabanlı yöntemler veya
düzenli ifadeler kullanılabilir. Bu çıkarım işlemi için hem DOM tabanlı yöntemler
hem de düzenli ifadeler için birden fazla çıkarım kuralı hazırlanabilir. Bu
çalışmada, çıkarım kuralları ile birden fazla veriyi elde etmenin çıkarım
işlemi üzerindeki etkinliği incelenmiştir. Veri seti olarak haber, film ve
alış/veriş alanlarında olmak üzere on beş web sitesi seçilmiştir. Bu web
siteleri için farklı çıkarım teknikleri ile veri çıkarımı için çıkarım kural
dosyaları oluşturulmuştur. Web sitelerinde özellikle yorum gibi tekrarlayan
veriler üzerinde odaklanmıştır. Deneyler, oluşturulması daha zahmetli ve zaman
alıcı düzenli ifadelerin DOM tabanlı yöntemlere göre çok daha iyi sonuçlar
verdiğini göstermiştir. DOM tabanlı yöntemler arasında beklenildiği gibi lxml
ayrıştırıcı kütüphanesi en iyi sonuçları vermiştir. Deneyler, bir geliştirici
tarafından hazırlanan çıkarım kuralarının çıkarım süresini etkilediği
göstermektedir. Sonuç olarak, iyi hazırlanmış çıkarım düzenli ifadeleri ile web
sayfalarında çok daha hızlı bir şekilde istenilen veriye erişmek mümkündür.
Extracting the desired data from the web page is important issue for applications in the fields of data mining and information retrieval. DOM-based methods or regular expressions can be used to extract data from a web page. For this extraction process, multiple extraction rules can be prepared for both DOM-based methods and regular expressions. In this study, the effectiveness of obtaining more than one data with extraction rules is investigated. As a data set, fifteen websites including in the fields of news, film and shopping have been selected. Extraction rule files have been created for data extraction with different extraction techniques for these websites. Web sites are mainly focused on repetitive data such as reviews. Experiments have shown that regular expressions, the creation process is more laborious and time consuming, give better results than DOM-based methods. Among the DOM-based methods, the lxml parser library provided the best results as expected. Experiments indicate that the extraction rules prepared by a developer affect the extraction time. As a result, it is possible to extract the desired data much faster in web pages with the well-prepared regular expressions.
Primary Language | Turkish |
---|---|
Subjects | Engineering |
Journal Section | Research Articles |
Authors | |
Publication Date | December 30, 2018 |
Submission Date | November 21, 2018 |
Published in Issue | Year 2018 Volume: 1 Issue: 2 |