GooSeeker

上一节在Clue Editor工作台上按类别建立了很多信息提取线索，接下来需要告诉超链接提取规则生成工具MetaStudio从网页的什么位置提取超链接，这就是所谓的定义提取超链接的规则过程。当然，不是简单地将HTML DOM节点映射到某个线索上，而是，为了提高超链接提取规则的适应性（将目标网页结构变化造成的影响降到最小），采取了很多强化手段，从某个HTML页面范围而不是某个确定的HTML DOM节点提取符合特定特征的超链接，例如，根据网页上的特定文字（Marker类线索），或者根据超链接URL地址的路径特征（Pattern类线索），或者根据多个超链接之间的关系（Relative类超链接）等等。

超链接提取规则生成工具MetaStudio有强大的图形用户界面（GUI），用户不必手工编写提取超链接的规则，而是在内嵌浏览器上选取网页内容、定位HTML DOM节点、将DOM节点映射到信息提取线索上，然后由MetaSeeker自动生成提取超链接的规则。下面将分类详述。

在DOM树视窗中选择了被映射的节点后，使用右键弹出菜单线索映射，进行线索及其特性映射。

有下述方法选择DOM节点：

• 普通选择：将DOM树逐级展开，找到目标节点。
• 反向选择：在内嵌的浏览器窗口上直接点击目标信息，DOM树的对应节点所在的树枝就会展开。要使用该功能，首先要将工具条上的查检框选中，系统将重置鼠标点击的缺省处理方式，将在DOM树上找到被点击HTML元素

线索映射

在做其它映射之前，首先要做线索映射，将某个节点映射到当前线索（Info Clue类线索不用映射）上，该操作对于不同类别的线索含义是不同的，对于Single Clue类别的线索，该操作表示在这个确定的位置上提取超链接；对于其它类别的线索，该操作表示在DOM节点代表的HTML页面范围内提取符合条件的多个超链接。在此重点讲解本文实际操练的例子用到的类别的映射方法，其它类别的解释参见MetaStudio高级用户手册#线索的类别。

在DOM树视窗中选择某个DOM节点后，鼠标右键弹出菜单线索映射->线索映射的子菜单项是由所有非Info Clue类线索组成的，选择其中一项，就会将DOM节点映射到该线索上，在Clue Editor工作台的操作区的第二行可以看到节点号: unmapped变成了节点号: xxx，xxx表示DOM节点序号。

并不是每个DOM节点都能映射到随意的线索上，特定的线索类型只能接受特定的DOM节点类型。Single Clue类别的线索是在确定位置上提取一个超链接，显而易见，只有HTML的A元素才能映射；其它类别的线索都是在一个范围内提取超链接，只要是HTML的元素节点就能映射。

记号映射

如果用户建立了一个Marker Clue类别的线索，用户不必手工输入记号文字，可以通过映射自动获得。在DOM树上选择代表记号的text节点或者HTML特性节点，选择右键菜单项线索映射->记号映射，text节点的文本或者HTML特性节点的值就拷贝到记号值编辑框中，根据需要进行编辑，并设定记号值匹配规则，由第一行的查检框控制，选中是全匹配否则是部分匹配，如果是全匹配，在线索提取指令文件中的指令是[path]=”[value]”，否则指令是contains([path],”[value]”)。至此记号映射就完成了。

能够作为记号进行映射的text节点或者HTML特性节点必须是HTML A元素包容的节点，否则，映射失败。

操练

紧接上一节的实际操练，选择序号是1513的节点，这个节点代表目标页面上的一个HTML范围，其中包含翻页的超链接，将其映射到Clue 1上，然后，选择序号是1529的节点，它就是被一个HTML A元素包容的文本值是“next >>”的text节点，将其作为记号映射，您会看到在Clue Editor工作台的下栏，1529出现在记号节点位置，并且“next >>”正确地填写到记号值编辑框中。在本例中，由于1529节点中含有大量的空格字符，在记号值编辑框中将这些空格全部删除了，所以查检框不能勾选。