---恢復內容開始---
參考文獻：
萬里鵬. 非結構化到結構化數據轉換的研究與實現[D]. 西南交通大學, 2013.
文中提到了一種方法：非結構化數據（通過提取有關的元數據）——>xml文檔（根據約束條件）——>結構化數據
通過這樣的方式來使得數據從非結構化到結構化。
如何提取有關的元數據呢？
一般采用了文件模板的方式，即把文件分為（1）文件字段名（2）字段類型（3）索引 以及更多的類型，這里的類型就依據所需要處理的屬性具體划分，而文件模板的主要作用就是用於創建數據表，從而使得其原始數據能夠結構更加清晰。
文件模板存放於系統模板庫中，這樣的話能夠重復利用。
文中提到的比較多的文件類型是PDF、Office文檔、文本數據以及HTML網頁。都是不具有通用性，只能根據某一種文件的某一個特征進行分析、轉換為xml。
（1）Word文檔用到了Jacob技術
（2）Excel文檔用到了Java Excel API技術
（3）HTML網頁需要用到Webharvest、htmlparser或者htmlclean
（4）圖片、圖像、音頻、視頻這類非文本的以二進制形式存儲的文件，則不能轉換為xml文檔
所提到的這些技術能夠支持非結構化數據到xml文檔的轉換。其實也可以換一種思路理解，xml是一個承載數據轉化的中間過程，最終的數據是以結構化的形式存儲在關系數據庫中的。
1.首先，先要了解一下jacob.官方的解釋是JavaCOM Bridge，即Java和com組件間的橋梁.com一般表現為dll或exe等二進制文件，像我們一會將用到的jacob-1.14.3-x64.dll文件。
2.通過maven的pom.xml文件依賴第三方Jacob.jar包:
https://mvnrepository.com/artifact/net.sf.jacob-project/jacob
<dependency>
<groupId>net.sf.jacob-project</groupId>
<artifactId>jacob</artifactId>
<version>1.14.3</version>
</dependency>
————————————————————————————————————————————————————————————————————————
結合自己研究的方向，主要將目光聚焦於如何處理html網頁的日志文檔，而處理html網頁需要用的技術也是調用相應的包。
Web-Harvest 是一個用Java 寫的開源的Web 數據提取工具。它提供了一種從所需的頁面上提取有用數據的方法。為了達到這個目的，你可能需要用到如XSLT,XQuery,和正則表達式等操作text/xml 的相關技術。Web-Harvest 主要着眼於目前仍占大多數的基於HMLT/XML 的頁面內容。另一方面，它也能通過寫自己的Java 方法來輕易擴展其提取能力。
Web-Harvest 的主要目的是加強現有數據提取技術的應用。它的目標不是創造一種新方法，而是提供一種更好地使用和組合現有方法的方式。它提供了一個處理器集用於處理數據和控制流程，每一個處理器被看作是一個函數，它擁有參數和執行后同樣有結果返回。而且處理是被組合成一個管道的形式，這樣使得它們可以以鏈式的形式來執行，此外為了更易於數據操作和重用，Web-Harvest 還提供了變量上下方用於存儲已經聲明的變量。
web-harvest 啟動，可以直接雙擊jar包運行，不過該方法不能指定web-harvest java虛擬機的大小。第二種方法，在cmd下切到web-harvest的目錄下，敲入命令“java -jar -Xms400m webharvest_all_2.jar” 即可啟動並設置起java虛擬機大小為400M。
采用
import org.webharvest.definition.ScraperConfiguration;
import org.webharvest.runtime.Scraper;
這樣的方式，將jar包引入。