imported>Mielas: Form Tabellen

2024-08-31T19:13:44Z

Form Tabellen

Neue Seite

{{Infobox_Software
|Name=RoadRunner
|Logo=
|Screenshot=
|Beschreibung=
|Hersteller=
|AktuelleVersion=0.02.11
|AktuelleVersionFreigabeDatum=2004
|Betriebssystem=[[plattformunabhängig]]
|Programmiersprache= [[Java (Programmiersprache)|Java]]
|Kategorie= [[Wrapper (Informationsextraktion)|Wrapper]], [[Parsergenerator]]
|Lizenz= [[GNU General Public License]]
|Deutsch= nein
|Website= [http://www.dia.uniroma3.it/db/roadRunner/ RoadRunner]
}}

'''RoadRunner''' ist ein [[Java (Programmiersprache)|Java]] [[Computerprogramm|Programm]] zur Beobachtung von [[Information]]en von [[HTML]]-Seiten. Dazu werden die Gemeinsamkeiten und Unterschiede der HTML-Seiten analysiert und daraus wird, falls möglich, ein (union-freier) [[regulärer Ausdruck]] berechnet, der die Unterschiede der [[Datei]]en beschreibt. Dieser reguläre Ausdruck wird abschließend verwendet, um die Unterschiede aus den HTML-Dateien zu extrahieren. Also ist RoadRunner ein Generator, der automatisch [[Formale Grammatik|Grammatik]] basierte [[Wrapper (Informationsextraktion)|Wrapper]] erzeugt.

== Beispiel ==

Eine Buch-[[Bibliothekskatalog|Katalog]] [[Homepage]] bestehe aus mehreren HTML-Seiten, die eine gemeinsame Grundstruktur besitzen, wie z. B. ein einheitliches Seiten- und Tabellenlayout. Die Seiten unterscheiden sich darin, das jede Seite eine [[Tabelle]] von 1 bis 20 Einträgen zu verschiedenen Büchern enthält. Das Ziel sei nun, die Buchdaten (Autor, Titel usw.) automatisch aus den Seiten zu extrahieren.

Dafür wird eine repräsentative Menge von Katalog-Seiten heruntergeladen, welche von RoadRunner analysiert wird. Als Ausgabe erzeugt das Programm den regulären Ausdruck (ABC)+, welcher die [[Label (Klassifikation)|Label]]s A, B und C enthält und eine [[Extensible Markup Language|XML]]-Datei mit den extrahierten Daten für jedes Label.

Beispiel von extrahierten Daten in Tabellenform:
{| class="wikitable"
! Label !! Datum
|-
| A || Max Frisch
|-
| B || Homo Faber
|-
| C || 1965
|-
| A || Stefan Zweig
|-
| B || Der Amokläufer
|-
| C || 1930
|-
| ... || ...
|}

Nach einem Blick auf die extrahierten Daten kann den gefundenen Labels manuell eine Semantik zugeordnet werden:

{| class="wikitable"
! Label !! Bedeutung
|-
| A || Autor
|-
| B || Titel
|-
| C || Jahr
|}

== Literatur ==

* {{Literatur| Autor=Valter Crescenzi, Giansalvatore Mecca, Paolo Merialdo | Titel=RoadRunner: Towards Automatic Data Extraction from Large Web Sites | Sammelwerk=Proceedings of the 27th Conference on Very Large Databases (VLDB) | Jahr=2001 | Online=[http://www.pabrro-online.de/dokus/RoadRunner.pdf PDF]}}
* {{Literatur| Autor=Valter Crescenzi, Giansalvatore Mecca, Paolo Merialdo | Titel=Automatic Web Information Extraction in the RoadRunner System | Sammelwerk=International Workshop on Data Semantics in Web Information Systems (DASWIS) | Jahr=2001 | Online=[http://www.dia.uniroma3.it/db/roadRunner/publications.html PDF]}}
* {{Literatur| Autor=Valter Crescenzi, Giansalvatore Mecca | Titel = Automatic information extraction from large websites | Sammelwerk = Journal of the ACM | Band = 51 | Nummer = 5 | Jahr = 2004 | ISSN=0004-5411 | Seiten=731-779 | DOI=10.1145/1017460.1017462 }}

== Weblinks ==
* [http://www.dia.uniroma3.it/db/roadRunner/ RoadRunner]

[[Kategorie:Java-Programm]]

RoadRunner - Versionsgeschichte

imported>Mielas: Form Tabellen