傳統(tǒng)的網(wǎng)絡(luò)數(shù)據(jù)抽取是針對(duì)抽取對(duì)象手工編寫一段專門的抽取程序，這個(gè)程序稱為包裝器（wrapper）。近年來(lái)，越來(lái)越多的網(wǎng)絡(luò)數(shù)據(jù)抽取工具被開發(fā)出來(lái)，替代了傳統(tǒng)的手工編寫包裝器的方法。目前的網(wǎng)絡(luò)數(shù)據(jù)抽取工具可分為以下幾大類（實(shí)際上，一個(gè)工具可能會(huì)歸屬于其中若干類）：
?開發(fā)包裝器的語(yǔ)言（Languages for Wrapper Development）：用戶可用這些語(yǔ)言方便地編寫包裝器。例如Minerva，TSIMMIS，Web-OQL，F(xiàn)LORID，Jedi等。
?以HTML為中間件的工具（HTML-aware Tools）：這些工具在抽取時(shí)主要依賴HTML文檔的內(nèi)在結(jié)構(gòu)特征。在抽取過程之前，這些工具先把文檔轉(zhuǎn)換成標(biāo)簽樹；再根據(jù)標(biāo)簽樹自動(dòng)或半自動(dòng)地抽取數(shù)據(jù)。代表工具有Knowlesys，MDR。
?基于NLP（Natural language processing）的工具（NLP-based Tools）：這些工具通常利用filtering、part-of-speech tagging、lexical semantic tagging等NLP技術(shù)建立短語(yǔ)和句子元素之間的關(guān)系，推導(dǎo)出抽取規(guī)則。這些工具比較適合于抽取那些包含符合文法的頁(yè)面。代表工具有 RAPIER，SRV，WHISK。
?包裝器的歸納工具（Wrapper Induction Tools）：包裝器的歸納工具從一組訓(xùn)練樣例中歸納出基于分隔符的抽取規(guī)則。這些工具和基于NLP的工具之間zui大的差別在于：這些工具不依賴于語(yǔ)言約束，而是依賴于數(shù)據(jù)的格式化特征。這個(gè)特點(diǎn)決定了這些工具比基于NLP的工具更適合于抽取HTML文檔。代表工具有：WIEN，SoftMealy，STALKER。
?基于模型的工具（Modeling-based Tools）：這些工具讓用戶通過圖形界面，建立文檔中其感興趣的對(duì)象的結(jié)構(gòu)模型，“教”工具學(xué)會(huì)如何識(shí)別文檔中的對(duì)象，從而抽取出對(duì)象。代表工具有：NoDoSE，DEByE。
?基于本體的工具（Ontology-based Tools）：這些工具首先需要專家參與，人工建立某領(lǐng)域的知識(shí)庫(kù)，然后工具基于知識(shí)庫(kù)去做抽取操作。如果知識(shí)庫(kù)具有足夠的表達(dá)能力，那么抽取操作可以做到*自動(dòng)。而且由這些工具生成的包裝器具有比較好的靈活性和適應(yīng)性。代表工具有：BYU，X-tract。
網(wǎng)絡(luò)數(shù)據(jù)抽取技術(shù)流程的實(shí)現(xiàn)
其具體步驟如下（以zui通用的‘Knowlesys采集’步驟為例）
*步，確立采集目標(biāo)，即由用戶選擇目標(biāo)。
第二步：提取特征信息，即根據(jù)目標(biāo)的網(wǎng)頁(yè)格式，提取出采集目標(biāo)數(shù)據(jù)的通性。
第三步：網(wǎng)絡(luò)信息獲取，即利用工具自動(dòng)的把頁(yè)面數(shù)據(jù)把存到數(shù)據(jù)庫(kù)。
采購(gòu)中心
