一种基于网页信息抽取的OA期刊资源采集方法研究

黄政，张学福

（中国农业科学院农业信息研究所，北京 100081）

一种基于网页信息抽取的OA期刊资源采集方法研究

黄政，张学福

（中国农业科学院农业信息研究所，北京 100081）

本文结合开放获取期刊（Open Access Journal，OA期刊）资源特点，针对无法通过OAI-PMH协议进行资源采集的OA期刊，提出一种基于网页信息抽取的资源采集策略。本文从网页资源描述的角度总结OA期刊资源特点并对其分类。基于网页信息抽取方法在OA期刊资源采集适用性，提出一种基于OA期刊网页元数据抽取的采集方法，并在此方法的基础上设计了采集系统。通过对国内外不遵循OAI-PMH协议的10本OA期刊的网站实证采集，得到45 785篇论文的元数据，证明该采集方法能有效地应用于此类资源采集。研究丰富了OA期刊资源采集方式，对不遵循OAI-PMH协议的OA期刊资源采集提供方法借鉴。

OA期刊；OA期刊资源采集；网页信息采集；OA期刊资源采集系统

开放获取期刊(Open Access Journal,OA期刊)是经过同行评审,且在网络上可免费获取的期刊。OA期刊资源主要包括期刊元数据、论文元数据以及论文全文等。该类资源分布广泛,且经过同行评审,具有重要的学术价值。目前,OA期刊资源采集方法主要有两种:一种是针对遵循OAI-PMH协议的OA期刊,采用OAIPMH协议的方法对资源进行采集,该方法在此类资源采集应用中较成熟;另一种是对于部分不遵循OAIPMH协议的OA期刊,通常采用网页信息抽取方法。然而,由于OA期刊资源在网页中存在组织形式不一、揭示粒度多变,且网页结构变化多样等特点,这为此类期刊资源采集带来了一定挑战。……