geração (semi)automática de metadados - Universidad Autónoma ...

ISBN: 978–972–8924–45-4 © 2007 IADIS
o CASCADE. La información se pasa únicamente al primer hijo y lo que éste devuelva al
segundo, y así sucesivamente. El resultado generado por el último hijo será el resultado del
robot padre. Esto supone la conexión en serie de los transformadores.
o BRANCH-DUPLICATED. La información se pasa a todos los hijos (una copia a cada uno).
o BRANCH-SCATTERED. La información se pasa a los hijos de forma repartida, es decir, el
vector de resultados generado por el padre es dividido de forma que la posición 1 le
corresponde al primer hijo, la 2 al segundo, y así sucesivamente, volviendo al primer hijo en
caso de que el tamaño del vector fuese mayor que el número de hijos.
• MERGE MODE. En caso de que el valor del primer parámetro no fuese CASCADE, este parámetro
permite indicar cómo se unirán los resultados que devuelva cada hijo tras la bifurcación con el fin de
construir el resultado del padre. Existen tres opciones:
o ORDERED. El resultado del padre será un único vector que contiene las cadenas de los
vectores de todos sus hijos correspondiendo las primeras posiciones al primer hijo, las
segundas al segundo y así sucesivamente.
o SCATTERED. Funciona igual que ORDERED, salvo que se toman las cadenas de los hijos
de forma alternada, es decir, en primer lugar se colocarán las primeras posiciones de los
vectores resultantes de cada hijo, luego las segundas y así sucesivamente.
o COLLAPSED. El resultado del padre es un vector con una única posición resultado de
concatenar todas y cada una de las cadenas de los vectores resultantes de los hijos.
Otra característica interesante de los transformadores es que posibilitan la implementación de bucles.
Aunque por definición actúan sobre un vector de cadenas de texto (lo que ya les confiere un carácter
iterativo), es posible además que un transformador vuelva a ejecutarse cíclicamente en función de lo que
devuelva el primero de sus hijos. Para ello se utiliza el parámetro LOOP, de tipo booleano, presente en todos
los transformadores. Si un transformador padre es un bucle, funcionará del siguiente modo:
• Primero actúa sobre la entrada y trabaja con los hijos de forma normal haciendo uso de los
parámetros de interconexión vistos anteriormente, salvo para el caso del primer hijo. A este hijo
siempre se le pasa el resultado parcial que genera el padre y su salida no se considera como tal, si no
que será utilizada por el padre para el control del bucle.
• El padre recoge la salida de todos sus hijos, excepto del primero. Las salidas se acumulan en cada
iteración del bucle, de forma que al final habrá una o varias posiciones en el vector resultante por
cada iteración efectuada (una posición por cada iteración si MERGE MODE es COLLAPSED).
• El padre examina la salida de su primer hijo. Si no devuelve ningún resultado, el bucle termina, en
caso contrario, se utiliza de nuevo la salida del hijo como entrada.
Un ejemplo ilustrativo de la utilidad de las capacidades de iteración se puede ver en el análisis de sitios
web, cuyos resultados se devuelven en varias páginas (p. ej. Google). Mediante los bucles se puede hacer que
el robot vaya buscando los enlaces que permiten pasar a la siguiente página, de modo que se puedan alcanzar
dichas páginas y continuar con la extracción de información.
2.2 Transformadores
aAUTOMATOR proporciona un conjunto de transformadores básicos para la creación de robots, tal y como
se muestra en la Tabla 1. Algunos de estos transformadores pueden recibir parámetros adicionales para
controlar su funcionamiento. Es preciso destacar que el API de aAUTOMATOR ha sido diseñado de tal
forma que se contempla la posibilidad de añadir más transformadores en el futuro, instalables fácilmente
mediante un sistema de plugins.
218
Tabla 1. Transformadores disponibles actualmente en aAUTOMATOR.
Transformador (clase Java) Descripción Parámetros
SimpleTransformer La entrada es igual a la salida Ninguno
URLRetriever Cada cadena de texto de la entrada se
interpreta como una URL y se convierte
en su correspondiente texto HTML
accediendo a Internet
Ninguno