Extraction de données à partir de pages HTML
par création semi-automatique de règles XSLT

Nicolas Georgiev (1) , Jean-Marc Labat (1) , Jean-Luc Minel (2) , Laurent Nicolas (1)

1 CRIP5 - EA 2517 - Centre de Recherche en Informatique de Paris 5
2 MoDyCo - Modèles, Dynamiques, Corpus

L'extraction des données à partir des sources web suscite un intérêt
particulier ces dernières années. Cependant il n'existe aucun standard, car les
sources d'information Web restent très hétérogènes. Il y a quand même un point
commun – elles sont toutes disponibles en format HTML pour être visualisées
dans le navigateur client. Cet article présente une méthodologie et les outils
associés d'extraction de données à partir de documents HTML. Notre approche
est basée sur des technologies XML pour effectuer l'extraction des données,
notamment XHTML et XSLT. Afin de valider notre méthodologie, nous avons
créé une application nommée XPFE WRAPPER, un générateur semiautomatique
de «wrappers1» qui a été développé sur la plate-forme XPFE de
Mozilla

Mots clés: Wrappers; Données Semi-structurées; Extraction de Données; <br />Transformations XSL; XSLT; XML

Domaines: Linguistique

Nicolas Georgiev, Jean-Marc Labat, Jean-Luc Minel, Laurent Nicolas. Extraction de données à partir de pages HTML
par création semi-automatique de règles XSLT. IC'2003, 2003, France. pp.117-127, 2003. ⟨halshs-00097805⟩