基于Ｗｅｂ的ＣＭＬ化学结构搜索方法初探

1、基于的化学构造搜索方法初探【摘要】化学标记语言l已得到广泛应用，目前eb上存在着大量的以l表示的化学构造信息，ggle、百度等eb搜索引擎只能实现对文本的检索，无法实现对化学构造的检索。本文在分析l特点的根底上，介绍了提取与验证eb上l表示的化学构造信息的方法。利用daylight公司的thr-erlin化学信息数据库系统，提出一种化学构造搜索引擎的设计方案。【关键词】化学标记语言化学构造检索化学构造数据库系统1引言化学标记语言l(heialarkuplanguage)最初于1995年由peterurray-rust等人基于htl2.0开发，尝试解决在internet上进展化学信息交换的问题。

2、1998年2月3发布了xl：可扩展标记语言推荐标准1.0版。化学标记语言l也根据xl的标准进展了更改和修订，成为根据xl的标准重新定义的一种标记语言，是xl的一个应用。l目前的应用已相当广泛，如aterialsgrid、spetra等工程都采用了l，eb上也存在着大量的以l表示的化学构造信息。由于化学学科的专业性和内容的相对独立性，目前化学信息的检索都是基于特定的数据库，如sifinder、hebank、zin、pubhe、hedb、heine等化学数据库。本文提出一种设计方案，将l转换为siles，利用daylight公司的thr-erlin系统，建立针对eb上大量存在的l表示的化学构造的e

3、b搜索引擎。2系统设计框架2.1文档的采集与内容分析文档采集即页面抓取工作，由raler来完成。由一组种子url开场，从种子集url中取出一个url，确定相应的主机ip地址，发出抓取页面恳求。对非重复文档提取出包含于其中的链接，根据制定的过滤策略(相对链接转为绝对链接，并判断链接是否需要下载)，把过滤后的url存入url集中。同时对抓取的网页的内容进展简单的分析，保存包含l内容的网页。最终的thr数据库中并不保存整个网页的内容，而只是保存含有l内容的网页url。l表示的化学构造信息具有区别于网页其它内容的显明特征，它以标记开场，以标记来完毕。与标记没有本质的意义，只是起到容器的作用，作为l内容

4、的根，用来告诉其它l处理程序在文档中存在化学内容。与之间可以是任何内容，而且可以嵌套。但是目前看到的一些l文档并未在化学构造信息的最外层加注与标记，而是直接以与表示最外层。在对文档内容分析时要考虑到这两种情况。可以采用形式匹配来分析抓取的网页内容。2.2文档l内容的抓取与有效性验证经过raler的简单过滤，文档内容存储器中的文档都含有l内容。将文档中l内容复制到单独的文件中。文档url与文档产生的l文件具有一对n关系，n为l文件的个数。l内容的有效性验证分三步2，3。第一步确定l内容是否由与标记或与标记所包含。这在2.1节中的文档内容分析时已采用，目的是过滤掉确定不含l内容的文档。第二步，由于

5、l严格遵守xl标准，可以采用ldtd与lshea对l内容进展验证(l1.x采用dtd)。第三步采用基于xslt的验证方法，对l的内容进展分析。比方可以通过xslt来判断l中的原子化合价是否合法，化合物中两个原子之间的间隔 是法合法等。2.3l至siles的转换与siles的存储siles是一种线性的用asii码来表示原子和化学键的化学语言。和其它化学构造表示方法相比，siles简短易读。同一种化学构造用siles来表示要比用连接表(nnetintable)节省50%至%70的存储空间。典范siles可以保证每个化学构造的siles具有唯一性，因此常被作为化学数据库中的索引关键字。l到siles

6、的转换，本设计采用开源软件penbabel提供的api函数。bnversin为转换类，转换伪码如下：bnversinnv(in，ut);if(nv.setinandutfrats(“si，“l)bll;if(nv.read(l).anipulateleulenv-rite(l);thrserver是一后台程序，不允许用户直接对其操作，用户必须通过thrlient对thrserver进展操作。用户通过thrlient将l转换后的siles及l所在的文档url、当前访问时间等存入thr数据库，并以siles作为记录的主关键字。本系统根据daylight提供的thr-erlintlkit来编写lie

7、nt。lient通过server来对thr数据库进展操作。2.4用户界面设计初探用户可以直接输入要检索的化学构造的siles码，或者根据提供的je(je是由peterertl开发的javaapplet，用于在网页上直接描绘化学构造)画出要检索的2d化学构造图，并指定构造检索的类型，je会自动把用户画出的化学构造转化为siles码进展检索。3总结本文提出了一种化学构造搜索引擎的设计方案，针对eb上大量存在的l表示的化学构造进展检索。但是由于l出现的时间相比照拟晚，eb上还有许多以其它格式存储的化学构造信息，下一步要研究提取与验证eb上以其它格式表示的化学构造信息，以便对更多的化学构造进展检索。参考文献：1p.urray-rust，hsrzepa.heialarkup，xlandtherldideeb.1.basipriniples.j.he.inf.put.si，1999，39(6)：928-942.2p.urray-rust，hsrzepa.heialarkup，xlandtherldideeb.4.lshea.j.he.inf.put.si，2022，43(3)：757-772.3gkutsgv，ern