Information extraction from HTML pages and its integration

Itai, K.; Takasu, Atsuhiro; Adachi, Jun

doi:10.1109/saintw.2003.1210172

Cited by 3 publications

(3 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Peneliti lain melakukan integrasi data dari sejumlah tabel web yang berbentuk column atau row wise [6]. Mereka menambahkan kasus jika dalam satu cell terdapat beberapa pasangan atribut-data values.…”

Section: Tabel III Contoh Mixed-cellunclassified

Pengembangan Engine Integrasi Tabel HTML pada Halaman Web

Akbar¹,

Azizah²,

Saptawati³

2016

Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI)

View full text Add to dashboard Cite

Abstract-Two problems are arisen while integrating number of tables from number of web pages, i.e. structural conflict and semantic conflict. To tackle those problems, the proposed study combines some existing methods that are already proven to solve problems in integrating process. The proposed integration process of HTML Kebutuhan untuk mengumpulkan data dari berbagai sumber diperlukan oleh hampir seluruh kegiatan suatu organisasi, termasuk dari tabel HTML [2]. Integrasi sejumlah tabel dari beberapa halaman web, dengan memanfaatkan dokumen HTML, mempunyai peranan penting dalam banyak aplikasi potensial. Integrasi tabel dari beberapa e-commerce memudahkan seseorang yang berada pada bagian procurement untuk membandingkan dan menentukan Harga Perkiraan Sendiri (HPS) barang yang akan diadakan. Integrasi tabel juga memudahkan calon penumpang pesawat terbang untuk melihat informasi penerbangan dari beberapa maskapai dalam satu halaman web. Integrasi tabel juga dibutuhkan dalam webmining, knowledge management, dan beberapa aplikasi potensial lainnya.Menurut [3], persoalan integrasi tabel pada halaman web dibagi menjadi tiga, yaitu: (1) konflik struktural, (2) konflik semantik, dan (3) konflik penamaan. Konflik struktural terjadi jika terdapat perbedaan struktur tabel yang akan diintegrasikan. Di antara konflik struktural ini, seperti: jumlah dan posisi atribut yang berbeda, serta heterogenitas layout tabel. Beberapa masalah yang terkait dengan konflik semantik adalah sinonim, homonim, dan konflik kontekstual. Sedangkan konflik penamaan terkait dengan istilah yang digunakan pada atribut masing-masing tabel.Penelitian untuk mengatasi persoalan dalam integrasi tabel HTML telah banyak dilakukan. Penelitian tersebut dilakukan oleh beberapa peneliti dan menghasilkan pendekatan yang telah divalidasi untuk mengatasi persoalan dalam integrasi tabel HTML. Namun, solusi yang diberikan hanya untuk persoalan skema data. Belum ada peneliti yang memberikan solusi untuk mengatasi persoalan integrasi pada data values dan belum ada juga penelitian yang menghasilkan engine untuk integrasi tabel HTML dari beberapa halaman web.Berdasarkan latar belakang permasalahan tersebut, maka pada makalah ini dikembangkan pendekatan untuk mengintegrasikan informasi pada tabel HTML dari sejumlah halaman web untuk suatu domain of interest (DOI) yang spesifik menjadi sebuah tabel HTML tunggal dengan mengombinasikan beberapa metode. Pendekatan yang Memen Akbar: Pengembangan Engine Integrasi Tabel ...

show abstract

Section: Tabel III Contoh Mixed-cellunclassified

Pengembangan Engine Integrasi Tabel HTML pada Halaman Web

Akbar¹,

Azizah²,

Saptawati³

2016

Jurnal Nasional Teknik Elektro dan Teknologi Informasi (JNTETI)

View full text Add to dashboard Cite

show abstract

“…This method focuses on the Japanese language. Itai et al [10] integrate various tables in a specific domain into an XML document based on a DTD (Document Type Definition). This method segments table cells into attributes and values by applying SVM (Support Vector Machines) and HMM (Hidden Markov Model) techniques.…”

Section: Related Workmentioning

confidence: 99%

“…The former determines whether the TABLE tags are used to represent genuine tables or not [3]. Meanwhile, the latter analyzes the logical structure of a table and extracts its attribute-value relationships [1][2] [4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20]. In this paper, we focus on structure recognition.…”

Section: Introductionmentioning

confidence: 99%

Generating Structured Documents from HTML Tables

Lee¹

2006

2006 International Conference on Hybrid Information Technology

View full text Add to dashboard Cite

A table is a facility for presenting relational information structurally and concisely. As a prerequisite for extracting information from the Web, This paper presents an efficient method for extracting logical structures from HTML tables and transforming them into XML documents. The proposed method consists of two phases: area segmentation and structure analysis. The area segmentation step cleans up the table and segments the normalized table into attribute and value areas by checking visual and semantic coherency. Particularly, heuristic rules are also proposed to handle complex tables. In the structure analysis phase, the hierarchical structure between attribute and value areas is analyzed and transformed into an XML representation using the proposed table model. Experimental results with a large number of HTML tables show that the proposed method performs better than the conventional method.

show abstract