Tài liệu LUẬN VĂN: ĐỌC BÁO ĐIỆN TỬ VÀ TÌM KIẾM THÔNG TIN TRÊN INTERNET ppt

LUẬN VĂN: ĐỌC BÁO ĐIỆN TỬ VÀ TÌM KIẾM
THÔNG TIN TRÊN INTERNET
Chương I : Giới thiệu sản phẩm
MỤC LỤC
CHƯƠNG I : GIỚI THIỆU SẢM PHẨM…………………………………………1
I.1. MỞ
ĐẦU………………………………………………………………………………….1
I.2. MỘT VÀI VÍ DỤ ỨNG
DỤNG………………………………………………………2
CHƯƠNG II : LÝ THUYẾT CHUNG…………………………………………… 3
II.1. PHÂN LOẠI NGUỒN THÔNG
TIN……………………………………………….3
II.1.1. Các trang web thông tin có cấu trúc được cập nhật thường
xuyên……………………………………………………………………
………….….4
II.1.2. Các trang Web thông tin có cấu trúc không được cập nhật thường
xuyên……………………………………………………………………
….5
II.1.3. Các trang Web thông tin có cấu trúc lỏng lẻo……………………….…6
II.2.
WEBMINING……………………………………………………………………………
6
II.2.1. Thu thập thông tin (Information Retrieval) ………………… 7
II.2.2. Bóc tách thông tin (Information Extraction) ………………….7
II.2.3. Tổng hợp và tổng quát hoá dữ liệu (Generation) ………… 8
II.2.4. Phân
tích………………………………………………………………….…8
II.3.
XLM……………………………………………………………………………………
…8

CHƯƠNG III : NGHIÊN CỨU GIẢI PHÁP…………………………………….10
III.1. THU THẬP THÔNG
TIN………………………………………………………….11
III.1.1.Các loại
URL…………………………………………………………… 11
III.1.2. Giải pháp sử
lý……………………………………………………… 12
III.2. BÓC TÁCH THÔNG
TIN……………………………………………… 12
III.2.1. Quy luật dùng để bóc tách thông tin………………………… 20
III.2.2. Phương án kỹ
thuật………………………………………………… 24
III.2.3. Kênh tin và kênh tin đa thức………………………………………
29
III.3. HIỆN THỰC HOÁ GIẢI
PHÁP………………………………………………… 31
- 2 -
Chương I : Giới thiệu sản phẩm
III.3.1. Khả năng tương tác người và máy trong quá trình tạo kênh
tin…………………………………………………………………………
……33
III.3.2. Các chức năng khác của hệ thống………………………………35
III.4. KHẢ NĂNG ỨNG DỤNG VÀ MỞ RỘNG………………
……………………36
CHƯƠNG IV : SO SÁNH VỚI CÁC HỆ THỐNG KHÁC………………………37
CHƯƠNG V : HƯỚNG DẪN SỬ DỤNG CHƯƠNG TRÌNH………………….38
V.1. YÊU CẦU HỆ
THỐNG……………………………………………………… … 38
V.2. CHỌN KÊNH TIN………………………………………………………….
……… 39

V.3.LẤY THÔNG TIN VỀ CÁC BÀI
BÁO…………………………………………… 40
V.4. XEM BÁO TRỰC TUYẾN
………………………………………………………… 41
V.5. XEM CÁC BÀI BÁO ĐÃ
LƯU………………………………………………………42
V.6. CHỈNH SỬA VÀ THÊM CHÚ THÍCH VÀO BÀI
BÁO……………………….43
V.7. TÌM KIẾM BÀI
BÁO………………………………………………………………….43
V.8. CẬP NHẬT CÁC KÊNH THÔNG TIN
MỚI…………………………………….44
CHƯƠNG VI : KẾT LUẬN…………………………………………………………44
GIỚI THIỆU SẢN PHẨM 4
I.1.MỞ ĐẦU 4
I.2.MỘT VÀI VÍ DỤ ỨNG DỤNG 5
LÝ THUYẾT CHUNG 6
II.1.PHÂN LOẠI NGUỒN THÔNG TIN 6
II.1.1.Các trang Web thông tin có cấu trúc được cập nhật thường xuyên 7
II.1.2.Các trang Web thông tin có cấu trúc không được cập nhật thường xuyên 7
II.1.3.Các trang Web thông tin có cấu trúc lỏng lẻo 8
II.2.WEBMINING 8
II.2.1.Thu thập thông tin (Information Retrieval) 9
II.2.2. Bóc tách thông tin (Information Extraction) 10
II.2.3.Tổng hợp và tổng quát hoá dữ liệu (Generation) 10
II.2.4.Phân tích 10
II.3.XML 11
NGHIÊN CỨU
GIẢI PHÁP 12
III.1.THU THẬP THÔNG TIN 13

III.1.1.Các loại URL 13
III.1.2. Giải pháp xử lý 14
III.2.BÓC TÁCH THÔNG TIN 21
III.2.1. Quy luật dùng để bóc tách thông tin 22
III.2.2.Phương án kỹ thuật 26
- 3 -
Chương I : Giới thiệu sản phẩm
III.2.3.Kênh tin và kênh tin đa mức 31
III.3.HIỆN THỰC HÓA GIẢI PHÁP 33
III.3.2.Khả năng tương tác người - máy trong quá trình tạo kênh tin 35
III.3.3.Các chức năng khác của hệ thống 37
III.4.KHẢ NĂNG ỨNG DỤNG VÀ MỞ RỘNG 38
SO SÁNH vỚi CÁC HỆ THỐNG KHÁC 39
HƯỚNG DẪN SỬ DỤNG CHƯƠNG TRÌNH 40
KẾT LUẬN 46
CHƯƠNG I
GIỚI THIỆU SẢN PHẨM
GIỚI THIỆU SẢN PHẨM
 Tên sản phẩm
 Ứng dụng của sản phẩm
I.1.MỞ ĐẦU
Bạn đã bao giờ tưởng tượng rằng, nếu một ngày nào đó tất cả mọi người đều có
đầy đủ thông tin, riêng bạn lại không có những thông tin cần thiết thì cuộc sống sẽ ra
sao chưa?
Hơn mọi thứ khác, nhu cầu truyền tải thông tin vượt qua thời gian và không gian
luôn được nhân loại chú ý tới, từ những tiếng trống của thổ dân Châu Phi cho tới những
thông điệp điện tử đang được truyền đi với tốc độ ánh sáng trên khắp địa cầu. Không
cần đến tận nơi, bạn vẫn có thể biết ở cách xa hàng ngàn dặm đang diễn ra chuyện gì,
không cần phải gặp mặt, những người bạn ở hai nửa địa cầu vẫn có thể trao đổi thông
tin với nhau, Internet đã đưa thông tin tới mọi nhà.

Thế nhưng, hãy thử tưởng tượng rằng, nếu một ngày nào đó tất cả mọi người
đều có đầy đủ những thông tin mà mình cần, còn riêng bạn lại ngập lụt trong một biển
thông tin nhiều đến nỗi không sao xử lý hết được thì sẽ thế nào?
Càng ngày bạn càng cần phải thu thập thông tin ở nhiều lĩnh vực cùng một lúc
và đã bao giờ bạn phát chán lên vì không biết phải làm gì khi có quá nhiều thông tin
chưa? Đã bao giờ bạn cảm thấy chán ngán khi trong tay mình có danh sách của hàng
chục, hàng trăm tờ báo điện tử, diễn đàn, search engine, rồi các website thông tin về đủ
mọi lĩnh vực, nhưng lại không thể đủ thời gian để cập nhật dù chỉ là lướt qua hết các
nguồn tin này chưa? Có thể có và cũng có thể là chưa.
Hệ thống của tôi ra đời với một tiêu chí vô cùng đơn giản “Mang lại cho người
sử dụng thông tin và chỉ những thông tin mà họ cần”. Thông tin bạn cần nhất khi
muốn xem lướt qua các tờ báo điện tử là gì? Có thể chỉ là tiêu đề bài báo và vài dòng
tóm tắt qua nội dung của bài báo đó. Thông tin bạn cần nhất khi lướt qua một diễn đàn
là gì? Có thể chỉ là tên bài viết và tác giả của bài viết đó. Cũng như vậy đối với một
trang Web cung cấp thông tin về giá cả chứng khoán. Bạn cần chỉ số chứng khoán của
các công ty chứ đâu cần phải rối tinh lên vì các thông tin không cần thiết nằm trong
trang Web đó Nhưng có phải là hệ thống của tôi sẽ chỉ mang đến cho bạn thông tin về
tiêu đề cùng với phần tóm tắt của các tin tức trên rất nhiều các trang báo điện tử trong
và ngoài nước, hay tên bài viết và tác giả của các chủ đề trên rất nhiều các diễn đàn trao
đổi thông tin, hay đơn thuần chỉ là các chỉ số chứng khoán, … không thôi?
- 4 -
Chương I : Giới thiệu sản phẩm
Không, tất nhiên không chỉ có vậy, hệ thống của tôi được xây dựng như là một
giải pháp tổng quát để thu thập và tách thông tin từ bất cứ nguồn tin nào trên
Internet. Với sự cố gắng nỗ lực hết mình trong phạm vi giới hạn của kiến thức, tôi cũng
đã cung cấp cho bạn một cơ chế tương tác trực quan giữa người và máy để xác định
thông tin cần bóc tách mà ngay cả những hệ thống có chức năng tương tự như Novobot,
WebFerret hay Copernic cũng rất khó khăn hay hầu như không thể cung cấp cho bạn
được. Tính khả mở của hệ thống đã được chuyển giao từ những người tạo ra hệ thống
vào tay người sử dụng. Hệ thống của tôi giờ đây đã cung cấp đầy đủ các chức năng để

bạn có thể thu thập và tách các thông tin từ bất cứ nguồn tin nào và việc quyết định cần
thu thập những thông tin gì là tùy vào chính bạn chứ không còn cứng nhắc như các
hệ thống trước đây nữa.
Hãy để công việc thu thập thông tin lại trở nên dễ dàng và tiện dụng cùng với hệ
thống của tôi cho dù trước mắt bạn là một biển thông tin hỗn độn và khổng lồ như
Internet .
I.2.MỘT VÀI VÍ DỤ ỨNG DỤNG
Đặc điểm nổi bật nhất là hệ thống của tôi có tính mở rất cao. Những thông tin
mà hệ thống mang lại cho bạn chỉ phụ thuộc vào ý muốn của chính bạn chứ không bị
gò bó trong một phạm vi nhất định nào đó như là những chương trình tương tự khác. Có
thể ra một vài ứng dụng nhỏ sau đây :
Nếu bạn là người hay quan tâm đến những tin tức nóng hổi về kinh tế, chính trị,
thể thao, hãy sử dụng chương trình của tôi để tạo ra các kênh tin kết nối đến các trang
báo điện tử ở khắp nơi trên thế giới, và bạn sẽ có đầy đủ những thông tin mà mình cần.
Việc đọc lướt qua các tiêu đề tin tức từ các bài báo sau khi đã được thu thập và phân
chia thành các chủ đề khác nhau, rồi mới quyết định xem chi tiết bài báo nào sẽ giúp
bạn có một cái nhìn tổng quát hơn, nhanh chóng và tiết kiệm thời gian, tiền bạc hơn so
với việc phải dùng trình duyệt đi tới từng trang web, vào từng chủ đề, xem tiêu đề tin,
rồi mới tới được nội dung bài viết.
Nếu bạn là một doanh nghiệp cần quan tâm đến những tin tức về kinh tế, về thị
trường, về những mặt hàng bạn đang kinh doanh, hay nếu bạn là một người làm công
tác nghiên cứu đang cần những thông tin, số liệu liên quan đến lĩnh vực chuyên môn
của mình, hay nếu bạn là một nhà báo đang cần những tin tức "thời sự" nhất để viết
bài, thì tại sao lại không thử sử dụng hệ thống của tôi, tất cả những gì bạn cần hệ
thống của tôi sẽ giúp bạn có.
Nếu bạn cần tìm kiếm thông tin, chương trình của tôi sẽ giúp bạn cùng một lúc
kết nối đến nhiều trang tìm kiếm khác nhau trên thế giới, gửi yêu cầu, phân tích kết quả
rồi trả lại cho bạn những thông tin bạn cần tìm.
Nếu bạn muốn thu thập, tổng hợp lại số liệu từ một trang web trên mạng (ví dụ
như danh sách các thí sinh trúng tuyển đại học chẳng hạn), hay cần lấy về chỉ một số

thông tin nhất định nào đó thôi, ví dụ như tên nhạc sĩ sáng tác và lời bài hát tương ứng
từ một site về lyrics nào đó để tổng hợp lại thành cơ sở dữ liệu của riêng bạn, mà bạn
đang băn khoăn không biết nên làm thế nào để có thể thực hiện công việc này một cách
nhanh chóng và ít tốn công sức nhất thì hệ thống của tôi chính là một công cụ mà bạn
đang cần đấy.
- 5 -
Chương I : Giới thiệu sản phẩm
Ngoài ra còn có thể kể đến rất nhiều ứng dụng khác nữa. Hệ thống này có thể
được ứng dụng vào trong những công việc gì thì điều đó chỉ phụ thuộc vào khả năng
sáng tạo của chính bạn mà thôi.
CHƯƠNG II
LÝ THUYẾT CHUNG
LÝ THUYẾT CHUNG
 Các loại nguồn thông tin trên Web
 Các tác vụ Web-mining, lý thuyết và thực tế
 Ngôn ngữ XML, khả năng và thực tế
 Chúng ta đã thật sự có thông tin mình mong đợi chưa?
II.1.PHÂN LOẠI NGUỒN THÔNG TIN
Trong thập kỷ qua, chúng ta đã được chứng kiến sự phát triển đến chóng mặt
của Internet mà tiêu biểu là các trang thông tin. Sự phát triển này đã có một ảnh hưởng
không nhỏ tới nền kinh tế và xã hội không chỉ của riêng một quốc gia mà là cả thế giới.
Internet được coi là một nguồn cung cấp tin khổng lồ với mọi chuyên mục, mọi vấn đề
mà người sử dụng cần đến. Với sự phát triển này, hiện nay, lượng thông tin Internet
mang đến cho người sử dụng là quá lớn dẫn tới việc chúng ta cần phải có các ứng dụng
Internet thông minh và hiệu quả hơn đối với người sử dụng. Có nhiều cách để phân loại
các nguồn thông tin từ Web, tuy vậy, chúng ta có thể chia thành 3 loại chính như sau :
• Các trang Web thông tin có cấu trúc được cập nhật thường xuyên
• Các trang Web thông tin có cấu trúc không được cập nhật thường xuyên
• Các trang Web thông tin có cấu trúc lỏng lẻo
Trước khi đi vào phân tích từng loại một, chúng ta cần nhận định rằng các trang

Web hiện nay được xây dựng bằng rất nhiều nguồn khác nhau: text, hình ảnh, video,
biểu tượng .v.v… Có thể kể ra đây một vài đặc tính quan trọng của dữ liệu trên các
trang Web này :
• Không phân loại được (các thông tin mang lại từ HTML hầu hết là về phần trình
bày thông tin chứ không phải là ngữ nghĩa của thông tin)
• Phân tán
• Trộn lẫn (text, hình ảnh, video, biểu tượng )
• Bán cấu trúc (có cấu trúc theo ngôn ngữ HTML nhưng lại không có cấu trúc về
mặt ngữ nghĩa)
• Thay đổi theo thời gian
- 6 -
Chương I : Giới thiệu sản phẩm
• Đa chiều
II.1.1.Các trang Web thông tin có cấu trúc được cập nhật
thường xuyên
Chúng ta có thể thấy rất rõ hiện nay có một phần không nhỏ các trang Web
thông tin được cập nhật thường xuyên như báo điện tử, diễn đàn, trang Web cung cấp
thông tin giá tầu xe, đấu giá, chứng khoán, thời tiết Tuy vậy, nếu phân tích một cách
kỹ lưỡng, có thể nhận xét là các trang Web này tuy được cập nhật thường xuyên, nhưng
không thay đổi về mặt cấu trúc ý nghĩa. Các ví dụ dưới đây sẽ minh họa kỹ hơn về mặt
cấu trúc ý nghĩa của các trang Web (các ví dụ này là không chính xác đối với tất cả các
trang Web cùng loại mà chỉ mang tính minh hoạ về cấu trúc ý nghĩa):
 Báo điện tử : Tiêu đề + Mô tả ngắn gọn + Các tin đã đưa
 Diễn đàn : Tên bài viết + Người viết + Người cập nhật cuối
 Thời tiết : Tên thành phố + chỉ số dự báo thời tiết(nhiệt độ, độ ẩm )
 Chứng khoán : Tên công ty niêm yết + giá bán

Tần số cập nhật thông tin của các trang Web này nói chung là ngắn, có thể liên
tục (thị trường chứng khoán), một vài phút (diễn đàn) hay một ngày (báo điện tử). Tuy
vậy, dù cập nhật thông tin như thế nào, các trang thông tin này thông thường luôn tuôn

theo một quy luật về ý nghĩa của các thông tin.
Thông tin mà các trang Web này mang lại cho người sử dụng được cập nhật một
cách liên tục và phong phú. Tuy vậy, trái ngược với sự liên tục và phong phú, các trang
Web này lại chỉ ngày càng nâng cao tính trình bày hình thức của mình chứ không thể
nâng cao được tính ngữ nghĩa của mình (do sự hạn chế của ngôn ngữ HTML). Những
câu hỏi được người sử dụng đặt ra để lấy thông tin ví dụ như “Tôi muốn đọc các bài có
tiêu đề nói về Trí Tuệ Việt Nam 2004“ hay như “Có công ty chứng khoán nào niêm
yết giá khoảng dưới 20000 VND không nhỉ?”, có vẻ đơn giản nhưng dường như lại
khá khó khăn trong việc thực hiện. Câu trả lời nếu sử dụng các phương pháp thông
thường như là sử dụng search engine của trang thông tin đó hay các search engine khác
sẽ mang lại cho người sử dụng quá nhiều thông tin không cần thiết do các search engine
này cũng chỉ tìm kiếm thông tin chứ không để ý đến ngữ nghĩa của thông tin.
II.1.2.Các trang Web thông tin có cấu trúc không được cập
nhật thường xuyên
Tần số cập nhật được nêu ra ở đây chỉ mang tính tương đối, vì một trang Web
được cập nhật thường xuyên (ví dụ như chỉ số chứng khoán) lại cũng có thể vì một lý do
nào đó không cập nhật thường xuyên nữa (ví dụ đóng cửa thị trường chứng khoán vào
- 7 -
Chương I : Giới thiệu sản phẩm
ngày nghỉ). Tuy nhiên, có thể thấy rằng, cũng có rất nhiều trang Web mà tần số cập nhật
là ít. Ví dụ như trang Web giới thiệu tên các quốc gia (đương nhiên không phải ngày,
tháng, năm nào cũng có một quốc gia xuất hiện, đổi tên hay biến mất nên thông tin
trong trang Web này dường như không thay đổi), hay như trang Web chứa thông tin về
Ban Giám Khảo cuộc thi Trí Tuệ Việt Nam (thay đổi theo hàng năm). Do các trang Web
này cũng được tổ chức theo một cấu trúc nhất định nên chúng ta cũng có thể phân tích
về mặt ngữ nghĩa cấu trúc. Ví dụ như trong trang Web thông tin về Ban Giám Khảo
cuộc thi Trí Tuệ Việt Nam, ít nhất cũng phải có các thông tin: Tên + Chức danh của các
thành viên Ban Giám Khảo. Tương tự, chúng ta sẽ lại vấp phải những khó khăn khi
muốn tìm ra dữ liệu trả lời cho những câu hỏi như “Thành viên nào của Ban Giám Khảo
hiện nay đang công tác tại trường Đại học Bách Khoa ?”.

Những câu hỏi được đặt ra đối với các trang Web có cấu trúc nói trên dường như
sẽ là những câu truy vấn rất đơn giản trong các hệ quản trị cơ sở dữ liệu khi có các
thông tin Tiêu đề (trong câu hỏi “Tôi muốn đọc các bài có tiêu đề nói về Trí tuệ Việt
Nam 2004 ? ”), Tên công ty, Giá niêm yết (trong câu hỏi “Có công ty chứng khoán
nào niêm yết giá khoảng dưới 20000 VND không nhỉ ?”) và Tên thành viên, Chức
danh (trong câu hỏi “Thành viên nào của Ban Giám Khảo hiện nay đang công tác tại
trường Đại học Bách Khoa ?” ). Thế nhưng, cái chúng ta có lại là các trang Web chứ
không phải là hệ cơ sở dữ liệu và công việc của chúng ta là phải có được một cơ sở dữ
liệu mà mỗi thông tin trong đó đã được phân loại theo ngữ nghĩa.
II.1.3.Các trang Web thông tin có cấu trúc lỏng lẻo
Các trang Web thông tin có cấu trúc lỏng lẻo cũng là một trong những loại trang
Web xuất hiện rất nhiều trên Internet, ví dụ như: trang Web giới thiệu cá nhân, tổ chức,
cơ quan .v.v… Những trang Web này thường rất khó phân tích cấu trúc một cách tổng
quát do thông tin được trình bày không theo một quy luật nhất định nào.
II.2.WEBMINING
- 8 -
Chương I : Giới thiệu sản phẩm
Do những nhu cầu bức xúc đặt ra đã được nói ở trên, chúng ta cần phải phát
triển phương pháp thu thập và xử lý thông tin thông minh hơn để mang lại những ích lợi
thiết thực hơn cho người sử dụng. Hiện tại, trên thế giới đã có rất nhiều nghiên cứu về
WebMining, phương pháp và công nghệ để xử lý thông tin thu thập từ các nguồn thông
tin trên Internet một cách thông minh. WebMining có thể được chia thành bốn tác vụ
chính như hình dưới đây
D÷ liÖu
Web
T¸c vô
Thu thËp
th«ng tin
T¸c vô
Bãc t¸ch

th«ng tin
T¸c vô
Tæng qu¸t
ho¸ th«ng
tin
T¸c vô
Ph©n tÝch
th«ng tin
Tri thøc
Chúng ta sẽ điểm sơ qua từng tác vụ một và những nghiên cứu đã đạt được đối
với từng tác vụ này.
II.2.1.Thu thập thông tin (Information Retrieval)
Tác vụ thu thập thông tin giúp cho người sử dụng có được trang Web từ URL
hoặc từ yêu cầu mà họ cần. Đối với người sử dụng hiện tại, việc thu thập thông tin
thường được thực hiện qua các URL mà người sử dụng đã biết hoặc qua các engine tìm
kiếm. Các engine tìm kiếm là các chương trình được viết để có thể truy vấn và thu thập
dữ liệu được lưu trong cơ sở dữ liệu (có cấu trúc), trang Web (bán cấu trúc) và các văn
bản tự do (không có cấu trúc) trên mạng. Hiện tại đã có khá nhiều các engine tìm kiếm
mạnh ở thế giới và tại Việt Nam như Google, Altavista, Lycos, Vinaseek, PanVN,
Các engine này ngày càng cố gắng để có thể tương tác với người sử dụng nhiều và
thông minh hơn, tuy vậy không phải là không có những yếu điểm.
Như chúng ta đã biết, một hệ thống thu thập thông tin lý tưởng phải là một hệ
thống thu thập được những thông tin phù hợp nhất với yêu cầu của người sử dụng (yêu
cầu này được diễn giải bằng các câu truy vấn). Đây thật sự là một tác vụ vô cùng phức
tạp và khó khăn mà hầu hết các hệ thống thu thập thông tin đều chưa thực hiện được
triệt để, phần nhiều có thể kể đến là do tính phi ngữ nghĩa của ngôn ngữ HTML. Hầu
hết các hệ thống thu thập thông tin hiện nay đều chú trọng tới tốc độ, số lượng thông tin
mà các hệ thống này có thể mang lại cho người dùng với các câu truy vấn tương đối đơn
giản.
Ngoài ra chúng ta cũng nhận thấy đã có những cố gắng rất nhiều trong việc cá

nhân hóa và khả mở đối với hệ thống thu thập thông tin. Tuy vậy, kết quả mang lại chưa
phải thật sự tốt đúng như người dùng mong đợi.
- 9 -
Chương I : Giới thiệu sản phẩm
II.2.2. Bóc tách thông tin (Information Extraction)
Một khi thông tin sau khi qua tác vụ thu thập đã được lấy về, việc tiếp theo là
phải lấy ra được những thông tin cần thiết và chỉ là những thông tin mà mình cần một
cách tự động không cần tới sự thao tác của người sử dụng. Hầu hết các thuật toán bóc
tách thông tin hiện nay đều dựa vào các công cụ khác nhau trên nền kỹ thuật “wrapper”.
Wrapper có thể được hiểu là những hàm để tách thông tin từ các tài nguyên Web. Các
hàm này được viết dựa trên các luật (quy luật) đã được đúc rút ra sau khi khảo sát các
trang Web chứa thông tin cần lấy. Các Wrapper có thể xây dựng dựa trên rất nhiều quy
luật khác nhau và tuỳ thuộc vào mục đích của người sử dụng.
Có lẽ giới hạn lớn nhất của tác vụ bóc tách thông tin này là mỗi một wrapper lại
chỉ được sử dụng cho một mục đích nhất định và không liên quan đến nhau. Do vậy,
tính khả mở của các wrapper này quả thật không được tốt cho lắm. Chúng ta có thể kể
đến những chương trình chỉ viết riêng về một vấn đề như: xem chỉ số chứng khoán, xem
thời tiết, xem báo (ví dụ như Novobot) hay những chương trình mang tính chất tổng
hợp hơn như chương trình bóc tách các thông tin thu được từ nhiều search engine cùng
một lúc (ví dụ như Corpecnic hay WebFerret). Hơn nữa, cần phải kể thêm là các
chương trình này luôn tạo ra những khó khăn cho người sử dụng trong việc cập nhật lại
nguồn tin (ví dụ cập nhật thêm một tờ báo hay thêm một search engine). Để cập nhật,
người sử dụng hầu như khó có thể tự mình thực hiện được mà phải chờ đợi cũng như
download phần cập nhật từ các nhà sản xuất mà không biết phần cập nhật này có thật sự
đúng với ý muốn của mình hay không (có phải đúng tờ báo mình muốn đọc hay đúng
search engine ưa thích của mình không).
II.2.3.Tổng hợp và tổng quát hoá dữ liệu (Generation)
Trong tác vụ này, các kỹ thuật nhận diện theo mẫu (pattern recognition) và học
máy (machine learning) thường được sử dụng đối với các thông tin đã được bóc tách.
Hầu hết các hệ thống học máy hiện tại trên Web đều học về ý thích của người sử dụng

(tổng quát hơn là thông tin về người sử dụng) nhiều hơn là học về chính trang Web mà
các hệ thống này được cài đặt trên đó. Vấn đề này cũng xuất phát từ nguyên nhân dữ
liệu hiện nay đang rất dư thừa trên Web nhưng lại không được (không có cơ chế) phân
loại theo mặt ngữ nghĩa một cách tự động. Ví dụ, nếu chúng ta có một cơ chế nào đó để
xác định được hai tập hợp các trang Web là trang chủ của cá nhân này và không phải là
trang chủ của cá nhân khác thì chúng ta sẽ có khả năng tiên đoán được một trang Web
mới liệu có phải là trang chủ của một ai đó hay không. Tuy vậy, với tính phi-ngữ nghĩa
của HTML, chúng ta khó có thể phân loại được các trang Web này.
II.2.4.Phân tích
Phân tích các thông tin sau khi đã thu thập được không phải là một công việc dễ
dàng ngay cả đối với người sử dụng chứ chưa nói đến đối với máy tính. Tác vụ này có
- 10 -
Chương I : Giới thiệu sản phẩm
thể được thực hiện hoàn toàn chỉ sau khi 3 tác vụ phía trước nó cũng đã được thực hiện
tốt.
II.3. XML
Với những nhược điểm phi-ngữ nghĩa của ngôn ngữ HTML cộng với nhu cầu
thực tế của người sử dụng, XML đã ra đời cùng với khả năng tăng thêm tính linh động,
ngữ nghĩa của các văn bản HTML. Văn bản XML được cấu tạo với cấu trúc cũng dựa
trên các thẻ như HTML, tuy nhiên các thẻ này không cố định như HTML mà hoàn toàn
là do người sử dụng đặt tên. Chính nhờ khả năng ấy mà XML đã vượt trội hơn hẳn
HTML về mặt cung cấp ngữ nghĩa của thông tin. Đơn giản như, bây giờ, các search
engine sẽ có thể phân biệt được bill (hoá đơn điện thoại) với Bill Clinton (tên người).
Tuy vậy, XML ra đời không có nghĩa rằng HTML sẽ không được sử dụng nữa. Có một
câu ngạn ngữ được các nước hay sử dụng là “Không việc gì phải sửa chữa những cái gì
nó chưa hỏng” và XML cũng không phải sinh ra là để thay thế cho ngôn ngữ HTML mà
là một sự bổ sung lý tưởng cho ngôn ngữ HTML, giải quyết cho HTML một số vấn đề
sau:
• XML được thiết kế để phát triển và mở rộng một ngôn ngữ mark-up mới theo
một hệ thống chuẩn. Từ trước tới nay, HTML chưa bao giờ được cung cấp một

khả năng mở rộng tuân theo một chuẩn nhất định. Để thay đổi HTML, chúng ta
có lẽ phải đối mặt với cả thế giới trong khi việc thay đổi XML cho phù hợp với
mục đích người sử dụng lại không có gì khó khăn mà bằng chứng là hiện tại có
rất nhiều ngôn ngữ dựa trên XML như ebXML (e-biz XML) hay WML (ngôn
ngữ sử dụng cho các máy điện thoại di động).
• XML được thiết kế một cách rõ ràng, rành mạch cho phép các công cụ phát triển
và trình duyệt có thể dễ dàng (không cần thay đổi) vẫn duyệt được toàn bộ thông
tin mà nó mang theo. Sự tối nghĩa trong các thẻ HTML và có quá nhiều các quy
tắc ngoại lệ khiến cho đôi khi không chỉ người sử dụng mà các nhà phát triển
công cụ cũng phải đau đầu.
• HTML là một ngôn ngữ chú trọng hoàn toàn đến hình thức và không nói lên
được điều gì về dữ liệu mà nó mang. Do vậy, XML là một ngôn ngữ lý tưởng để
giúp HTML làm được điều này.
• XML không phải sinh ra để cho những ứng dụng phức tạp mà không phải ai
cũng hiểu, XML rất đơn giản và dễ lập trình. Thêm nữa, với XML, chúng ta có
thể hiển thị cùng một dữ liệu với nhiều cách khác nhau hay cá nhân hoá dữ liệu,
điều mà HTML không làm được.
Với những tính năng như trên, không có gì đáng ngạc nhiên khi XML hiện nay
được sử dụng rộng rãi từ việc tạo trang Web tới việc tích hợp dữ liệu và ngay cả là lập
trình phân tán. Chúng ta có thể xem xét một vài ví dụ nhỏ về những ứng dụng của XML
dưới đây :
- 11 -
Chương I : Giới thiệu sản phẩm
• Giao dịch thương mại (Biz-to-biz transport) : Dữ liệu thương mại, hóa đơn, yêu
cầu mua hàng, thông tin thuế, tỷ giá đều có thể được truyền qua đường điện tử
giữa các nhà sản xuất khác nhau bằng định dạng XML với những ưu điểm vượt
trội hơn hẳn dạng EDI (Electronic Data Interchange).
• Lập trình phân tán : XML là một công cụ lý tưởng để xây dựng các ứng dụng từ
nhiều platform khác nhau, cho phép tích hợp giữa các server của Windows,
Unix, Linux, Sun với các hệ điều hành khác nhau trên toàn thế giới.

• Cấu trúc Web site : Bản thân XML là một ngôn ngữ mang tính cấu trúc chặt chẽ
và phân tán. Vì vậy, các nhà phát triển Web site có thể dễ dàng sử dụng XML
trong việc tăng tính phân tầng và cấu trúc duyệt (navigations) đối với những
trang Web của họ. Hơn nữa, sử dụng XML sẽ giúp cho việc lưu trữ thông tin
người sử dụng, trạng thái Web site, điều khiển luồng dữ liệu trong trang Web trở
nên dễ dàng hơn bao giờ hết.
• XML có thể giúp chúng ta trong việc tương tác với cơ sở dữ liệu, ví dụ như việc
nhận dữ liệu từ một câu truy vấn SQL hoặc cập nhật dữ liệu từ một bản ghi
XML. Bằng việc mô tả dữ liệu theo định dạng XML, chúng ta không cần phải
nhất thiết có một chút khái niệm nào về cấu trúc thật sự của cơ sở dữ liệu khi
lưu.
Với nền tảng XML chúng ta có thể dễ dàng bổ sung tính ngữ nghĩa cho các
thông tin lấy được từ các trang Web. Hệ thống của tôi còn nhắm tới XML như một ngôn
ngữ hữu dụng trong việc chuyển đổi sang bất cứ dạng cơ sở dữ liệu (hay cơ sở dữ liệu
tri thức) nào khác. Việc dễ dàng chuyển đổi sang các cơ sở dữ liệu khác nhau một cách
dễ dàng sẽ giúp đỡ người sử dụng, các doanh nghiệp tiết kiệm được rất nhiều thời gian,
công sức tiền bạc và thích ứng được với môi trường Thương mại điện tử một cách dễ
dàng.
CHƯƠNG III
NGHIÊN CỨU
NGHIÊN CỨU
GIẢI PHÁP
GIẢI PHÁP
 Giải pháp sử dụng script để tạo sinh URL tổng quát
 Giải pháp sử dụng DLL để tạo sinh URL tổng quát
 Bóc tách và gán ngữ nghĩa cho thông tin
 Khả năng tương tác visual giữa người và máy
 Hiện thực hóa giải pháp
 Khả năng ứng dụng và phát triển
Như đã nói ở chương trước, để có được tri thức như mong muốn, chúng ta cần

thực hiện qua bốn bước thu thập, bóc tách, tổng quát hóa và phân tích dữ liệu. Các
- 12 -
Chương I : Giới thiệu sản phẩm
bước này liên quan chặt chẽ đến nhau và có thể dễ dàng nhận thấy rằng, việc thực hiện
không tốt một bước bất kỳ trong bốn bước kể trên đều ảnh hưởng lớn tới tri thức đầu ra.
Với những nghiên cứu sẽ trình bày dưới đây, tôi xin được đặc biệt chú trọng tới hai
bước đầu tiên, thu thập và bóc tách thông tin mà trọng tâm là bóc tách thông tin.
III.1.THU THẬP THÔNG TIN
Việc thu thập thông tin trong hệ thống phải dựa vào những nguồn thông tin mà
người sử dụng đã cung cấp cho hệ thống ấy. Sở dĩ tại sao ở đây tôi không đặt trọng tâm
vào việc thu thập thông tin là bởi vì hiện tại, các search engine và các nguồn tin từ Web
cung cấp thông tin đã quá nhiều, ngày càng phát triển và cung cấp cho người sử dụng
nhiều thông tin hơn nhưng lại trong khoảng thời gian ít hơn trước rất nhiều. Cần phải
khẳng định rằng hiện tại chúng ta không hề thiếu dữ liệu, do vậy, trong tác vụ thu thập
dữ liệu, tôi không thực hiện công việc đi tìm nguồn tin cho người sử dụng (vì công việc
tìm nguồn tin giờ đây đã trở nên quá dễ dàng với các search engine) mà là đi tìm cho
người sử dụng một cơ chế tự động thu thập dữ liệu từ các nguồn tin để chuẩn bị cho
tác vụ thứ hai, tác vụ bóc tách thông tin.
III.1.1.Các loại URL
Chúng ta cũng cần phải phân biệt rõ các nguồn thông tin. Ở đây, nguồn thông tin
của người sử dụng được định danh dưới các dạng URL như sau :
1. URL tĩnh. Ví dụ khi muốn xem tin Thể thao của tờ báo Z có địa chỉ là
www.zzz.info, chúng ta chỉ cần truy nhập tới địa chỉ www.zzz.info/The-Thao/
trong mọi trường hợp thì có thể đọc được tin Thể thao của báo Z.
2. URL tĩnh được redirect đến một URL khác động tùy thuộc nhiều yếu tố (ngày,
tháng, số lần người sử dụng truy cập ). Quay lại ví dụ với tờ báo Z, giả sử
muốn xem Tin Thể thao, bây giờ chúng ta lại phải vào www.zzz.info và sau đó
ấn vào chuyên mục Thể thao để truy cập đến phần tin Thể thao với địa chỉ
www.zzz.info/24-10/The-Thao/ (với 24-10 là ngày hiện tại). Đây là ví dụ đơn
giản nhất về việc có tham số trong địa chỉ URL và nếu chúng ta nắm được quy

luật đối với tham số này (trong ví dụ trên thì tham số chính là ngày hiện tại -
tháng hiện tại), chúng ta cũng có thể truy cập trực tiếp tới trang Web cần thiết.
3. Từ khóa để sinh ra URL (động). Các ví dụ đơn giản nhất trong trường hợp này
là các search engine. Chúng ta đã biết rằng để tìm kiếm thông tin, chúng ta cần
phải cung cấp cho các search engine này từ khóa. Các từ khóa ấy được biến đổi
và cuối cùng được gửi cho server dưới dạng nằm trong URL. Ngoài ra, cũng còn
cần phải xét tới chuyện xử lý sang việc người sử dụng cần lấy từ nguồn tin
không phải từ một trang mà là từ nhiều trang Web (ví dụ như mặc dù search
engine có thể trả lại cho chúng ta đến hàng triệu kết quả chỉ trong một trang
Web, tuy vậy trong thực tế người sử dụng thông thường không muốn xem hết
- 13 -
Chương I : Giới thiệu sản phẩm
hàng triệu kết quả này cũng như search engine không bao giờ lại trình bày hàng
triệu kết quả thu được trong một trang Web duy nhất). Như vậy, thông tin về số
trang trong trường hợp này ở trên URL cũng cần phải nghiên cứu. Chúng ta
cũng cần phải phân biệt được trường hợp 3 và 2 là giống nhau về mặt bản chất
URL đều được mã hóa, nhưng trong trường hợp thứ 3 thông tin mã hóa được
nhập từ người sử dụng, còn trong trường hợp thứ 2 thì do máy tính tự sinh ra.
III.1.2. Giải pháp xử lý
Đối với từng loại URL này, tôi đã có những nghiên cứu và đưa ra các giải pháp
khả thi để có thể xử lý hết tất cả các trường hợp tạo sinh URL và sau đó quy về một
URL tĩnh request đến server chứa nguồn thông tin. Trừ URL tĩnh là dạng URL cơ bản
nhất còn các dạng URL còn lại đều có thể được tạo sinh bởi một trong hai cách dưới
đây :
• Tạo/sinh URL bằng cách viết script. Đây là nhóm các URL được mã hóa đơn
giản, có thể nhìn thấy ngay quy luật.
• Tạo/sinh URL bằng cách viết DLL. Trong trường hợp các URL sử dụng các
phương pháp mã hóa phức tạp hơn, để tiện cho người sử dụng, cách tốt nhất là
người sử dụng viết một DLL hoặc sử dụng DLL có sẵn như một plug-ins để
cung cấp cho hệ thống của tôi khả năng tạo/sinh URL dựa trên việc gọi các hàm

trong DLL (plug-ins) đó.
1.2.1. Tạo sinh URL bằng cách viết script
Trước hết, cần khảo sát qua những yêu cầu để có thể xây dựng nên script. Để
khảo sát, chúng ta sẽ lấy các URL của các search engine trong và ngoài nước đối với
chuỗi “Trí Tuệ Việt Nam” và một số tờ báo, mỗi trang lấy 3 URL và tổng quát hóa từ
các ví dụ này để rút ra quy luật. (Tại báo cáo này, tôi chỉ trình bầy một số ít trong các ví
dụ thực tế mà tôi đã khảo sát và nghiên cứu).
Google :
/>%22&num=50&hl=vi&lr=&ie=UTF-8&oe=UTF-8&safe=off&start=50&sa=N
/>%22&num=50&hl=vi&lr=&ie=UTF-8&oe=UTF-8&safe=off&start=100&sa=N
/>%22&num=50&hl=vi&lr=&ie=UTF-8&oe=UTF-8&safe=off&start=150&sa=N
Phần cố định Keyword sau khi mã hoá Phần cố định Phần thay
đổi
Phần cố
định
gl
e.com/search?q=
%2B%22Tr%C3%AD+Tu
%E1%BB%87+Vi
%E1%BB%87t+Nam
%22&
num=50&hl=vi&lr=&ie=
UTF-8&oe=UTF-
8&safe=off&start=
50
100
150
sa=N
- 14 -
Chương I : Giới thiệu sản phẩm

Alltheweb :
/>%22&c=web&cs=utf-8&o=10&l=any
/>%22&c=web&cs=utf-8&o=20&l=any
/>%22&c=web&cs=utf-8&o=30&l=any
Phần cố định Keyword sau khi mã hoá Phần cố định Phần thay
đổi
Phần cố
định
the
web.com/search?
q=
%22Tr%C3%AD+Tu
%E1%BB%87+Vi
%E1%BB%87t+Nam
%22&
&c=web&cs=utf-8&o= 10
20
30
&l=any
PanVN :
/>%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=2&dns=&img=0
/>%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=3&dns=&img=0
/>%87tNam"&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=4&dns=&img=0
Phần cố định Keyword sau khi mã hoá Phần cố định Phần thay
đổi
Phần cố
định
vn
.com/index.asp?
progid=4004&q=

"Tr%C3%ADTu%E1%BB
%87Vi%E1%BB
%87tNam"
&fcid=2&any=&ww=&o
cc=&d=&cmdSearch=Se
arch&advs=&pn=
2
3
4
&dns=&i
mg=0
VinaSeek :
/>%22&start=21
/>%22&start=41
/>%22&start=61
Phần cố định Keyword sau khi mã hoá Phần cố định Phần thay đổi
as
eek.com/search.a
sp?
form=sfr&font=tc
vn&query=
%22Tr%DD+Tu%D6+Vi
%D6t+Nam%22
&start= 21
41
61
Đài Tiếng Nói Việt Nam
- 15 -
Chương I : Giới thiệu sản phẩm
Chuyên mục Kinh tế : />Chuyên mục Xã Hội : />Chuyên mục Thể Thao : />Phần cố định Phần thay đổi Phần cố định

2004_10_24 /vietnamese/kinhte.htm
2004_10_24 /vietnamese/xahoi.htm
2004_10_24 /vietnamese/thethao.htm
Như vậy, để xử lý được toàn bộ các URL này, script của chúng ta phải đáp ứng
được nhưng yêu cầu sau :
• Mã hóa được keyword theo dạng chuẩn của Windows
• Có các hàm để thay thế chuỗi (ví dụ nếu chú ý thì trong keyword sau khi đã qua
xử lý của Google, dấu “ “ đã được thay bằng dấu “+”)
• Có một số các hàm xử lý tạo ra ngày, tháng, năm hiện tại và các hàm đơn giản
khác (hàm không cần đối số, trả về một giá trị)
• Script phải xử lý được ít nhất là một biến. Cũng cần phải có cơ chế cho biết biến
đó được chạy từ đâu đến đâu, bước chạy là bao nhiêu (ví dụ đối với search
engine, cần biết là trang thứ bao nhiêu, bắt đầu từ kết quả thứ bao nhiêu )
Do vậy, tôi đã xây dựng một ngôn ngữ script dựa vào những yêu cầu trên. Ngôn
ngữ này là đơn giản, phù hợp với yêu cầu và dễ dàng mở rộng khi cần thiết. Dưới đây là
các quy tắc của ngôn ngữ :
1. Các dòng được xử lý tuần tự.
2. Sau khi thực hiện một dòng, kết quả trả về là một chuỗi (trừ dòng đầu tiên)
3. Kết quả thực hiện toàn bộ script là một chuỗi được ghép lại bởi các chuỗi kết
quả của từng dòng theo thứ tự (bắt đầu từ dòng thứ 2)
4. Dòng đầu tiên bao gồm chuỗi các số được cách nhau bởi dấu “ “, ít nhất là 1 số
và nhiều nhất là 4 số có ý nghĩa sau :
a. Số đầu tiên chỉ xem URL có phần thay đổi cần sử dụng biến hay không ?
i. Nếu bằng 1 là Có
ii. Nếu bằng 0 là Không có
b. Ba tham số tiếp theo có các ý nghĩa lần lượt như sau :
i. Khởi đầu
ii. Bước tăng
iii. Số lần lặp (bằng 0 là vô hạn)
5. Hàm được bắt đầu bằng dấu “$” và phải viết tên hàm bằng chữ hoa

6. Có hai hàm mã hoá keyword(tham số mặc định là keyword, không cần truyền
biến nữa) là :
a. $UTF8 : mã hoá dạng UTF8
b. $TCVN : mã hoá dạng TCVN
- 16 -
Chương I : Giới thiệu sản phẩm
7. Vị trí của phần thay đổi cần biến sẽ được thể hiện bằng dòng chỉ chứa dấu “#”
8. Trong toàn bộ script biến “#” chỉ được sử dụng một lần
9. Các dòng không có dấu “#” và “$” đứng đầu không cần phải xử lý gì mà coi
luôn giá trị đó là giá trị đầu ra của dòng
10. Các hàm có thể sử dụng được trong script :
a. $UTF8 : mã hóa keyword sang dạng UTF8
b. $TCVN : mã hóa keyword sang dạng TCVN
c. $REPLACE ts1 ts2 : thay chuỗi ts1 bằng chuỗi ts2 trong keyword đã
mã hóa
d. $YEAR : năm hiện tại
e. $MONTH : tháng hiện tại
f. $DATE : ngày hiện tại
Dưới đây tôi sẽ áp dụng quy tắc này để biểu diễn lại các ví dụ trên ra dạng script
:
Google :
Phần cố định Keyword mã hoá Phần cố định Phần thay
đổi
Phần cố
định
gle.
com/search?q=
%2B%22Tr
%C3%AD+Tu%E1%BB
%87+Vi%E1%BB

%87t+Nam%22&
num=50&hl=vi&lr=&ie=
UTF-8&oe=UTF-
8&safe=off&start=
50
100
150
sa=N
1 50 50 3
/>$UTF8
REPLACE %20 +
num=50&hl=vi&lr=&ie=UTF-8&oe=UTF-8&safe=off&start=
#
sa=N
Alltheweb :
Phần cố định Keyword mã hoá Phần cố định Phần thay
đổi
Phần cố
định
thew
eb.com/search?q=
%22Tr%C3%AD+Tu
%E1%BB%87+Vi
%E1%BB%87t+Nam
%22&
&c=web&cs=utf-8&o= 10
20
30
&l=any
1 10 10 3

/>$UTF8
REPLACE %20 +
&c=web&cs=utf-8&o=
#
&l=any
- 17 -
Chương I : Giới thiệu sản phẩm
PanVN :
Phần cố định Keyword mã hoá Phần cố định Phần thay
đổi
Phần cố
định
vn.
com/index.asp?
progid=4004&q=
"Tr%C3%ADTu
%E1%BB%87Vi
%E1%BB%87tNam"
&fcid=2&any=&ww=&o
cc=&d=&cmdSearch=Se
arch&advs=&pn=
2
3
4
&dns=&i
mg=0
1 2 1 3
/>$UTF8
$REPLACE %22 “
&fcid=2&any=&ww=&occ=&d=&cmdSearch=Search&advs=&pn=

#
&dns=&img=0
VinaSeek :
Phần cố định Keyword mã hoá Phần cố định Phần thay đổi
asee
k.com/search.asp?
form=sfr&font=tcv
n&query=
%22Tr%DD+Tu
%D6+Vi%D6t+Nam%22
&start= 21
41
61
1 21 20 3
/>$TCVN
$REPLACE %20 +
&start=
#
Đài Tiếng nói Việt Nam :
Phần cố định Phần thay đổi Phần cố định
2004_10_24 /vietnamese/kinhte.htm
2004_10_24 /vietnamese/xahoi.htm
2004_10_24 /vietnamese/thethao.htm
0
/>$YEAR
-
$MONTH
-
$DATE
/vietnamese/kinhte.htm (có thể thay bằng các chuyên mục khác)

Trong ví dụ này, chúng ta chú ý rằng, do không cần lặp lại nên dòng đầu tiên chỉ
có 1 tham số là 0, mang ý nghĩa là không có biến. Các dòng nếu không bắt đầu bằng
dấu “$” hoặc “#” thì đều được coi là chuỗi hằng và không cần phải biến đổi thêm.
Script được tạo ra sẽ được hệ thống xử lý theo sơ đồ sau :
- 18 -
Chương I : Giới thiệu sản phẩm
Cũng cần phải nhắc lại rằng ngôn ngữ script dùng để tạo/sinh URL tổng quát
này còn hết sức đơn giản(cũng do việc tạo/sinh URL không đòi hỏi quá phức tạp). Tuỳ
theo độ phức tạp của URL về sau, tôi có thể dễ dàng tạo ra các hàm bổ sung. Tuy vậy,
nếu tạo ra quá nhiều hàm bổ sung sẽ dẫn tới việc khó sử dụng và khó hiểu đối với người
sử dụng. Do vậy, tôi đưa ra giải pháp dùng DLL như một plug-ins để tạo/sinh URL tổng
quát.
III.1.2.2.Tạo sinh URL bằng việc sử dụng DLL
Như ở trên đã trình bày, việc sử dụng phương pháp dùng script để tạo/sinh URL
tuy đơn giản nhưng đã bao trùm được khá nhiều trường hợp. Tuy nhiên tôi cũng lường
trước được sự phức tạp đối với việc sử dụng script khi các URL này được mã hóa một
cách phức tạp hơn hoặc không có quy luật nhất định có thể nhìn thấy ngay. Ví dụ như
một tờ báo có tham số sử dụng trên URL là số báo (ví dụ số 130 năm 2004, số 131 năm
2004) nhưng các số báo này thay đổi không theo quy luật nào (theo ngày ). Để biết
- 19 -
Chương I : Giới thiệu sản phẩm
được ngày hôm nay báo ra số bao nhiêu thì chỉ có một cách là phải phân tích trang chủ
của tờ báo đó để lấy được số báo. Quá trình phức tạp kể trên nên được xử lý một cách
“trong suốt” đối với người sử dụng bằng cách sử dụng các DLL thay thế. Các DLL này
sẽ được tôi và bất cứ ai yêu thích công việc lập trình viết ra và phải có ít nhất hai hàm
theo đúng tên và tham số đầu ra cũng như đầu vào được liệt kê dưới đây :
 LPSTR GetFirstURL(LPSTR lpURL);
o Chức năng : Lấy URL khởi đầu
o Đầu vào : 1 chuỗi ký tự (ví dụ như keyword cho search engine)
o Đầu ra : URL hoặc danh sách URL đầu tiên

 LPSTR GetNextURL(LPSTR lpURL);
o Chức năng : Lấy URL tiếp theo
o Đầu vào : 1 chuỗi ký tự(thường là danh sách URL đầu ra của lần
gọi GetFirstURL hoặc GetNextURL trước đó)
o Đầu ra : URL hoặc danh sách URL tiếp theo. Nếu kết quả trả lại
là rỗng thì có nghĩa là không còn URL nào nữa.
Các hàm chuẩn này sẽ được gọi theo sơ đồ như sau :
- 20 -
Chương I : Giới thiệu sản phẩm
III.2.BÓC TÁCH THÔNG TIN
Như đã nói ở trên, để bóc tách thông tin thu được từ tác vụ thứ nhất, chúng ta sẽ
xây dựng một “wrapper”. Wrapper có thể được hiểu là những hàm để tách thông tin từ
các tài nguyên Web. Các hàm này viết dựa trên các luật (quy luật) đã được đúc rút ra
sau khi khảo sát các trang Web chứa thông tin cần lấy. Như vậy, đối với tác vụ này, tôi
sẽ phải cung cấp cho người sử dụng một công cụ tạo ra các luật (quy luật) để bóc tách
thông tin.
Trước khi tiếp tục, tôi cũng xin nhắc lại một chút về mục đích của hệ thống. Hệ
thống được xây dựng tập trung vào hai tác vụ đầu của bốn tác vụ webmining, cung cấp
cho người sử dụng khả năng thu thập và bóc tách thông tin. Tuy vậy, những thông tin
- 21 -
Chương I : Giới thiệu sản phẩm
này là những thông tin gì ? Người sử dụng muốn gì và hệ thống của tôi đáp ứng được
đến đâu ?
III.2.1. Quy luật dùng để bóc tách thông tin
Những thông tin được tách ra sau khi sử dụng hệ thống là những thông tin có
cấu trúc về mặt ngữ nghĩa. Để bóc tách được những thông tin này, tôi dựa trên một quy
luật đơn giản nhưng vô cùng hiệu quả sau :
Trong hầu hết các trang Web cung cấp thông tin, các thông
tin có ý nghĩa giống nhau sẽ thường được trình bày giống
nhau.

Ở đây, tôi xin được giả định rằng chiều ngược lại của quy luật này cũng đúng,
có nghĩa là, các thông tin được trình bày giống nhau sẽ thường có ngữ nghĩa giống
nhau. Sự giải định này rõ ràng là không đúng hẳn trong một số trường hợp. Tuy vậy,
cho đến nay với sự nghiên cứu của tôi, cả hai giả định theo chiều thuận và nghịch là hầu
như hoàn toàn đúng (vì có một chiều hướng rõ ràng rất cần phải nhấn mạnh là nếu như
các thông tin có ý nghĩa giống nhau chưa được trình bày giống nhau, các website thông
tin sẽ cố gắng định dạng các thông tin này lại cho giống nhau để người sử dụng khi
duyệt Web của họ dễ dàng phân biệt thông tin).
Chúng ta có thể xét các ví dụ sau đây :
- 22 -
Chương III : Nghiên cứu giải pháp
III.2.1.1.Ví dụ 1 : Diễn đàn www.diendantinhoc.org
Nhìn ví dụ này, chúng ta cũng có thể thấy rõ rằng tên của các box được định
dạng theo một kiểu (chữ đậm, màu xanh), tên người viết (chữ nhỏ, màu xanh), ngày viết
(chữ nhỏ, màu đỏ)…
Trang Web này sẽ được cấu trúc về mặt ngữ nghĩa như sau :
 Tên khu vực (Tin tức-Kinh nghiệm-Hỏi đáp/Tin học chuyên ngành/…)
o Tên box (Phần cứng/Phần mềm/…)
o Giới thiệu box
o Tên Điều hành viên
o Số bài trong box (3105/3967/…)
o Số bài mới (2/5/…)
o Bài viết mới nhất
o Tên người viết bài mới nhất
o Ngày viết của bài mới nhất
- 23 -
Chương III : Nghiên cứu giải pháp
III.2.1.2. Ví dụ 2 : Báo điện tử VnExpress( )
Trong ví dụ này, chúng ta có thể thấy tên của chuyên mục đã được định dạng
màu đỏ và chữ to đậm, tên của bài viết được định dạng chữ đậm và phần mô tả được

định dạng theo kiểu chữ thông thường. Cũng có thể chú ý một chút tới phần tỷ giá, các
thông tin về tên đơn vị tiền tệ và trị giá đơn vị tiền tệ cũng được định dạng để sao cho
dễ dàng phân biệt được với các thông tin khác.
Trang Web này sẽ được cấu trúc về mặt ngữ nghĩa như sau :
 Tên mục chính
 Tên bài mới cập nhật
 Ảnh bài mới cập nhật
 Mô tả bài mời cập nhật
- 24 -
Chương III : Nghiên cứu giải pháp
III.2.1.3.Ví dụ 3 : Search engine www.panvn.com (với từ khoá “Trí
Tuệ Việt Nam”)
Lại một lần nữa chúng ta thấy rất rõ tiêu đề của kết quả được search engine định
dạng chữ đậm, màu xanh và cỡ chữ to để phân biệt với phần mô tả tiêu đề cỡ chữ nhỏ
và màu đen. Qua 3 ví dụ này và các ví dụ mà người sử dụng có thể dễ dàng nhận ra khi
duyệt các trang Web thông tin, nhất là các trang Web thông tin có cấu trúc, các thông tin
có ngữ nghĩa giống nhau thường được định dạng giống nhau và ngược lại.
Trang Web này sẽ được cấu trúc về mặt ngữ nghĩa như sau :
 Số thứ tự
 Tiêu đề trang Web được tìm thấy
 Trích đoạn có từ khóa cần tìm kiếm trong trang Web được tìm thấy
 URL

- 25 -