定义

文档对象模型（Document Object Model，简称DOM），是W3C组织推荐的处理可扩展置标语言的标准编程接口。它是一种与平台和语言无关的应用程序接口(API),它可以动态地访问程序和脚本,更新其内容、结构和www文档的风格(HTMl和XML文档是通过说明部分定义的)。文档可以进一步被处理，处理的结果可以加入到当前的页面。DOM是一种基于树的API文档，它要求在处理过程中整个文档都表示在存储器中。另外一种简单的API是基于事件的SAX，它可以用于处理很大的XML文档，由于大，所以不适合全部放在存储器中处理。

模型及扩展

文档对象模型DOM

DOM即文档对象模型，是W3C制定的标准接口规范，是一种处理HTML和XML文件的标准API。DOM提供了对整个文档的访问模型，将文档作为一个树形结构，树的每个结点表示了一个HTML标签或标签内的文本项。DOM树结构精确地描述了HTML文档中标签间的相互关联性。将HTML或XML文档转化为DOM树的过程称为解析(parse)。HTML文档被解析后，转化为DOM树，因此对HTML文档的处理可以通过对DOM树的操作实现。DOM模型不仅描述了文档的结构，还定义了结点对象的行为，利用对象的方法和属性，可以方便地访问、修改、添加和删除DOM树的结点和内容   。

DOM树扩展

根据W3C的定义，DOM树结点的属性包括标记名(nodeName)、结点类型(node Type，取值为TagTxt)、结点内容(data)、父结点对象集合(parent Node)、子结点对象集合(firstChild，lastChild)、兄弟结点对象集合(previous Sibling，nextSibling)等。DOM树结点的这些属性给出了页面的基本内容和结构信息，但不能反映标签、属性以及内容等与主题的相关程度，因而缺乏主题提取所需的语义。对DOM树扩展的总体思路为:考虑HTML页面标签的类别，以及标签属性值对页面主题信息的影响，将这种影响纳入对页面内容要素的计算中，对DOM树结点进行语义扩展，同时引入结点影响度因子来刻画该结点在树中的重要程度。

DOM树结点语义扩展

为了增加DOM树结点与页面主题信息相关程度的语义信息，计算结点内容的重要度，将HTML标签的类别(Category)、非链接文字数(WordNum)、超链接数(LinkNum)、属性集(Attibution)和影响度因子(Influence)等属性添加到结点中，扩展其语义。HTML标签依据其作用可分为5类:

描述标题及页面概要信息的标签:如〈title〉、〈meta〉等。

规划网页布局的标签:如〈table〉、〈tr〉、〈td〉、〈p〉、〈div〉等，其作用是描述网页内容的布局结构。

描述显示特点的标签:如〈b〉、〈I〉、〈strong〉、〈h1〉-〈h6〉等，其作用是强调重点内容，引起人们注意。

超链接相关的标签，表示网页间的内容相关性信息。

其他标签，如设置图像的标签〈img〉，在文本提取时将忽略这类标签。

根据HTML标签在刻画网页特征时的语义功能，将DOM树结点分为6种类别:标题类(TITLE)、正文类(CONTENT)、视觉类(VISION)、分块类(BLOCK)、超链类(LINK)和其他类(OTHER)，不同类的结点对Web信息提取的重要度不同。

标题类(TITLE):指HTML文档中标题标签的专有类别。

正文类(CONTENT):指包含网页正文内容的标签类别，如包含文字的〈td〉标签。

视觉类(VISION):指描述页面显示特性的标签类别，如〈b〉、〈strong〉等。

分块类(BLOCK):指用于网页内容分块的标签类别，如〈table〉、〈tr〉等。

超链类(LINK):指包含超链接的标签类别，如〈a〉。

其他类(OTHER):指不属于以上5种类别的标签类型。

图1 扩展后的DOM树结点结构

以上6类结点对页面主题的重要度依次降低。扩展后的DOM树结点结构如图1所示。

结点影响度因子

Web页面的有效内容大多存在DOM树的叶结点中，DOM树中的其余结点主要用于表示内容分块及页面的外观特性。在已有的页面信息提取方法中，对这些结点往往只考虑内容分块作用，而忽略了视觉结点对页面内容的影响。实际上，网页设计者通常会利用显示标签以及标签属性强调重点内容，不妨称其为强调标签和标签强调属性，例如〈b〉标签，或〈font〉标签的size属性。此外，不同类别结点对其子孙结点内容块的影响也是不同的。例如，以标题类结点为祖先结点的内容块，其重要程度应更高。为了评判DOM树中结点对内容的影响程度，定义了结点影响度因子。

定义1(DOM树结点影响度因子)表示结点对内容影响的相对程度，用Influence(node)表示，Influence(node) ∈。该值越大，表明影响程度越高。

结点影响度因子的确定要综合考虑结点类别和标签强调属性，其初值按TITLE，CONTENT，VISION，BLOCK，LINK，OTHER类别降序排列。可构造影响度因子初值向量Initvlale。同时结点影响度因子具有传递性，即某结点的影响度因子值应向其子结点传递。因此，叶结点的影响度因子可由下式计算:Influence(leaf) =∑ki=Influence(Ancestori)其中，Ancestori是叶结点的祖先结点，k为祖先结点数。

接口

图2 接口之间继承的关系 

主要的接口有：

Node接口：它是文档中节点的基类型。定义了基本的访问和改变文档结构的方法。

Document接口：它代表整个文档。可创建文档中的各种节点(元素、注释、处理指令等)，创建的节点中带有一个OwnerDoculnent属性表示创建它们的Document对象。

DocumentFragment接口：它代表文档树的子树，相当一个小型文档。

Attr接口：它代表元素节点的属性。有意思的是它并不认为是该元素节点的子节点，不构成DOM树的一部分。同时也不是DocumentFragment节点的直接子节点。

CharacterData接口：它维护了DOMsitrgn字符串并提供读写操作的接口。但不直接对应文档的某种类型节点。

Text接口：它从CharacterData继承而来。代表元素或属性的一段连续的文本内容。它有一个派生的接口CDATAsection，目的是：CDATASeciton节点的内容将不会作任何转化;使用Node中的nomraliez方法时相邻的Text节点会合并成一个节点，但使用CDATASeciton可避免合并。

Comment接口：它也从CharacterData继承而来。代表注释中的文本内容。

NodeList接口：用于管理有序的节点集。

Entity接口：它代表实体;EntityReference代表实体的引用。

NamedNodeMap接口：用于管理无序的节点集。

DOMImplementation接口：它提供与DOM模型的实例无关的接口。CreateDocument可创建一个Document对象;haseFature可判断DOM实现是否支持某一模块。

Notation接口：它代表文档中的符号定义。

ProcessingInstruction接口：它代表处理指令。

DOMException接口：异常处理。由于程序中的逻辑错误、数据丢失或DOM实现本身不稳定引起的错误。在程序处理过程中，由方法返回一个错误值。接口之间的继承关系可参看图2。

特征

Document Object Model的历史可以追溯至1990年代后期微软与Netscape的“浏览器大战”   （browser wars），双方为了在JavaScript与JScript一决生死，于是大规模的赋予浏览器强大的功能。微软在网页技术上加入了不少专属事物，计有VBScript、ActiveX、以及微软自家的DHTML格式等，使不少网页使用非微软平台及浏览器无法正常显示。DOM即是当时蕴酿出来的杰作。

图3 逻辑结构

DOM分为HTML DOM和XML DOM两种。它们分别定义了访问和操作HTML/XML文档的标准方法，并将对应的文档呈现为带有元素、属性和文本的树结构（节点树），如图3所示： 1）DOM树定义了HTML/XML文档的逻辑结构，给出了一种应用程序访问和处理XML文档的方法。

2）在DOM树中，有一个根节点，所有其他的节点都是根节点的后代。

3) 在应用过程中，基于DOM的HTML/XML分析器将一个HTML/XML文档转换成一棵DOM树，应用程序通过对DOM树的操作，来实现对HTML/XML文档数据的操作。