SISTEMA DE IMPORTACIÓN DINÁMICA DE INFORMACIÓN WEB Y PRESENTACIÓN WAP (SIDIW-PW)

Transcripción

1 SISTEMA DE IMPORTACIÓN DINÁMICA DE INFORMACIÓN WEB Y PRESENTACIÓN WAP (SIDIW-PW) Autora: Arias-Camisón Sarasua, Susana. Director: Contreras Bárcena, David Entidad Colaboradora: ICAI Universidad Pontificia Comillas. RESUMEN DEL PROYECTO El sistema de importación dinámica de información web y presentación Wap (SIDIW- PW), consiste principalmente en el estudio de una manera de extracción de los datos de las páginas web para poder así hacer uso de la información de éstas en una posterior presentación Wap. Esta importación dinámica de la información web se ha llevado a cabo a través del estudio de la disposición de los datos dentro de las páginas, estudiando su situación sintáctica, como si de frases se tratarán. El interés de este proyecto surge de las dificultades que hoy en día encuentran los proveedores para desarrollar sitios Web que funcionen adecuadamente, y de los problemas que encuentran los usuarios para acceder estos sitios desde los dispositivos móviles. No es ninguna novedad comentar que el mundo de Internet ha ido a parar en el mercado de los dispositivos móviles y que las diferencias entre los dispositivos de unos y otros son notorias. El tamaño de la pantalla, las características gráficas, el tamaño de los aparatos y por consiguiente sus posibilidades de memoria son entre otras muchas las diferencias que pueden ser enumeradas fácilmente. Los fabricantes de unos y otros no se han puesto todavía de acuerdo en determinar ciertas pautas al diseñar el software para cada dispositivo, sin solucionar problemas como por ejemplo la aceptación de determinados caracteres.

2 La importación de datos es el pilar del proyecto. Sin ellos nada tendría sentido. Para su extracción, se ha llevado a cabo un minucioso estudio acerca de la disposición de los datos dentro de las páginas Web, viendo las diferencias entre unas y otras y las características comunes. Aunque existen muchas diferencias y hoy en día el diseño de las mismas es demasiado libre y sin una estructura bien definida, la propiedad más importante y definitiva que tienen todas en común es que los datos a importar no son parte de las etiquetas del código HTML. Por tanto, basta con eliminar todas esas etiquetas HTML del código fuente para disponer de un conjunto de frases donde se encontrará esa información tan preciada. El patrón creado para la extracción de datos consiste en un conjunto de palabras claves que sirven para posicionarse en cada momento dentro del código HTML. Además cada palabra clave tendrá relacionado un número, que indicará el número de palabras a almacenar desde ese palabra clave. De esta manera se irán procesando todas aquellas páginas Web de interés, importando sus datos, para posteriormente ser utilizadas en una presentación Wap. El resultado final del proyecto será el desarrollo de tres tipos de aplicaciones, una de tipo administrativo para introducir aquellos aspectos necesarios de las páginas Web, otra de importación de datos y por último la aplicación para la presentación wap. Todas ellas podrán ser consultadas desde donde se quiera y cuando se quiera, siendo el acceso restringido para las primeras y de acceso público para la última, conectadas en tiempo real con una base de datos MySQL, que será puesta en explotación a través de un servidor Web, Apache Tomcat en este caso, en el que también residirá la base de datos. Debido a que la información a presentar en cada momento por parte de las aplicaciones depende, en la mayoría de los casos de la información existente en la base de datos, la aplicación se desarrollará mediante un conjunto de páginas JSP embebidas en páginas HTML y WML respectivamente. Intentando conseguir la máxima portabilidad y fomentar el uso de herramientas de software libre, se ha empleado como lenguaje de programación JAVA, y como gestor de base de datos MySQL, utilizando además el controlador ODBC para dotar de mayor independencia a las aplicaciones.

3 En un futuro la Red Semántica será posiblemente la solución a muchas de las deficiencias existentes ahora mismo, utilizando tecnologías de descripción de contenidos para la interpretación de documentos y realizando procesos inteligentes de capturas y tratamiento de la información.

4 ABSTRACT The system of importing dynamic web information and wap presentation (SIDWI-WP) is the study of a new way of importing information from web pages in order to use information from this web sites for another Wap presentation. This dynamic importation has reached through an exhaustive study about the structure of web pages, examining the syntactical position of the information inside the code, as if they a group of sentences were. The interest of this project arises from the difficulties that nowadays providers and users have found. Providers have troubles to implement well done Web sites and users have problems to gain access to sites by using their mobile devices. Nowadays the Internet world has moved from the market of PCs and laptops to the market of mobile devices, causing the appearance of considerable problems in many areas due to obvious differences. The screen size, the graphical characteristics, the size of the device and the memory capabilities are examples of the many differences that can be easily listed between mobile devices and laptops and PCs. Different mobile devices manufacturers have not already reached any agreement for determining such a couple of guidelines for solving problems such us the simple thing of the recognition of some characters. The importation of the information is the pillar of the project. Without the information, nothing would have sense. For extracting them, a detailed study has been done about the location of the information inside the source code of web pages, analysing the differences and the similarities between one and others. Despite the many differences and the lack of well done structured pages, the most important similarity between them is that the information to be captured does not belong to the group of tags of the HTML language. This means that, for extracting that information, the first thing that will have to be done, will be the removing of those tags with the aim of getting a group of sentences subsequently.

5 Moreover, for the extraction of the information, a key file will be necessary for each page. This file contains a collection of key words. Each key word will be used for finding the strategic position inside the code in each case. Furthermore, each key word will have a key number. The number will indicate how many words from the key word will have to be stored in the database. This will be the way for processing the whole code of all the interesting pages. To sum up, the development of the project consists in three types of applications. The first one will be the development of a portal web to specify the properties of the web pages, the second one will be the one for the process of extracting the information and the last one will be the application for the wap presentation. The first and second application will be used by the administrator and authentication will be necessary. The third one will be used by any user of a mobile device. The final result will be an application for public access, through the Internet, connected in real time to a MySQL database, which will be put into operation through a web pages server, in which the database will also reside. Due to the fact that the information to be given at every moment depends, in most cases, on the database available information, the programme will be developed by a number of JSP pages and HTML,WML. For reaching the maximum portability and looking for the use of free software, the programming language that has been used is JAVA and as database manager MySQL, using the ODBC drivers to provide much more independence. In the future, the Semantic Net will be one of the possible solutions to solve the deficiencies that there are today in this area, using the description of the contents as a technique for the interpretation of the source code for doing intelligent extractions and better treatment of the information.