$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

WCTT: HTML 문서 정형화 기반 웹 크롤링 시스템
WCTT: Web Crawling System based on HTML Document Formalization 원문보기

한국정보통신학회논문지 = Journal of the Korea Institute of Information and Communication Engineering, v.26 no.4, 2022년, pp.495 - 502  

김진환 (Department of Computer Science & Engineering, Korea University of Technology and Education) ,  김은경 (School of Computer Science & Engineering, Korea University of Technology and Education)

초록
AI-Helper 아이콘AI-Helper

오늘날 웹상의 본문 수집에 주로 이용되는 웹 크롤러는 연구자가 직접 HTML 문서의 태그와 스타일을 분석한 후 수집 채널마다 다른 수집 로직을 구현해야 하므로 유지 관리 및 확장이 어렵다. 이러한 문제점을 해결하려면 웹 크롤러는 구조가 서로 다른 HTML 문서를 동일한 구조로 정형화하여 본문을 수집할 수 있어야 한다. 따라서 본 논문에서는 태그 경로 및 텍스트 출현 빈도를 기반으로 HTML 문서를 정형화하여 하나의 수집 로직으로 본문을 수집하는 웹크롤링 시스템인 WCTT(Web Crawling system based on Tag path and Text appearance frequency)를 설계 및 구현하였다. WCTT는 모든 수집 채널에서 동일한 로직으로 본문을 수집하므로 유지 관리 및 수집 채널의 확장이 용이하다. 또한, 키워드 네트워크 분석 등을 위해 불용어를 제거하고 명사만 추출하는 전처리 기능도 제공한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Web crawler, which is mainly used to collect text on the web today, is difficult to maintain and expand because researchers must implement different collection logic by collection channel after analyzing tags and styles of HTML documents. To solve this problem, the web crawler should be able to coll...

주제어

#웹 크롤링   #HTML 문서 정형화   #텍스트 빈도 분석   #태그 경로 분석  

표/그림 (9)

참고문헌 (16)

  1. Y. J. Kim, H. S. Kim, and H. S. Kim, "Understanding the Effects of COVID-19 on the Starbucks Perception through Big Data Analytics: A Comparative Study," Culinary Science & Hospitality Research, vol. 27, no. 6, pp. 276-279, Jun. 2021. 

  2. Y. R. Suh, K. P. Koh, and J. W. Lee, "An analysis of the change in media's reports and attitudes about face masks during the COVID-19 pandemic in South Korea: a study using Big Data latent dirichlet allocation (LDA) topic modelling," Journal of the Korea Institute of Information and Communication Engineering, vol. 25, no. 5, pp. 731-740, May. 2021. 

    원문보기 상세보기 crossref

  3. D. H. Han and Y. K. Koo, "Design of Action-Based Web Crawler Structural Configuration for Multi-Website Management," KIISE Transactions on Computing Practices, vol. 27, no. 2, pp. 98-103, Feb. 2021. 

    상세보기 crossref

  4. J. H. Lee, "Building an SNS Crawling System Using Python," Journal of the Korea Industrial Information Systems Research, vol. 23, no. 5, pp. 61-76, Oct. 2018. 

    원문보기 상세보기 crossref

  5. S. Y. Park, J. H. Moon, Y. W. Kim, and H. G. Lee, "Design of Tree Structure Based Hypertext Crawler Using Jsoup," in Proceedings of Symposium of the Korean Institute of communications and Information Sciences, vol. 65, no. 1, pp. 896-897, Jan. 2018. 

  6. C. Kohlschuer, P. Fankhauser, and W. Nejdl, "Boilerplate detection using shallow text features," in Proceedings of the third ACM international conference on Web Search and Data Mining (WSDM), New York: NY, pp. 441-450, Feb. 2010. 

  7. W. M. Song, W. S. Kim, and M. W. Kim, "Contents Extraction from HTML Documents using Text Block Context," Journal of KISS : Software and Applications, vol. 40, no. 3, pp. 155-163, 2013. 

  8. S. H. Kim and H. J. Kim, "Logistic Regression Ensemble Method for Extracting Significant Information from Social Texts," KIPS Transactions on Software and Data Engineering, vol. 6, no. 5, pp. 279-284, May. 2017. 

    원문보기 상세보기 crossref

  9. J. H. Mo and J. M. Yu, "Korean Web Content Extraction using Tag Rank Position and Gradient Boosting," Journal of KIISE, vol. 44, no. 6, pp. 581-586, Jun. 2017. 

    원문보기 상세보기 crossref

  10. J. Leonhardt, A. Anand, and M. Khosla, "Boilerplate Removal using a Neural Sequence Labeling Model," in Companion Proceedings of the Web Conference 2020 (WWW '20), New York: NY, pp. 226-229, 2020. 

  11. J. H. Kim and E. G. Kim, "HTML Text Extraction Using Tag Path and Text Appearance Frequency," Journal of the Korea Institute of Information and Communication Engineering, vol. 25, no. 12, pp. 1709-1715, Dec. 2021. 

    원문보기 상세보기 crossref

  12. W. K. Kim, Y. H. Kim, and J. S. Park, "Digital Literacy Research Trend Analysis Using Keyword Network Analysis - 2011-2015 and 2016-2020 comparative analysis," The Korean Journal of Literacy Research, vol. 12, no. 4, pp. 93-125, 2021. 

    상세보기 crossref

  13. D. H. Kim, J. W. Koo, and U. M. Kim, "Design and Implementation of Automated Twitter Data Collecting System : Focus on Environmental Data," in Proceedings of the Korea Information Processing Society Conference, Online, vol. 27, no. 1, pp. 361-364, 2020. 

  14. K. S. Yoon and Y. H. Kim, "Designing and implementing web crawling-based SNS web site," in Proceedings of the Korean Society of Computer Information Conference, Busan, vol. 26, no. 1, pp. 21-24, 2018. 

  15. W. S. Ryu, "A System Design for Real-Time Monitoring of Patient Waiting Time based on Open-Source Platform," Journal of the Korea Institute of Information and Communication Engineering, vol. 22, no. 4, pp. 575-580, Apr. 2018. 

    원문보기 상세보기 crossref

  16. H. S. Kang and J. H. Yang, "Selection of the Optimal Morphological Analyzer for a Korean Word2vec Model," in Proceedings of the KIPS Conference, Busan, vol. 25, no. 2, pp. 376-379, 2018. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로