能否实现网页内容的模式识别?
问题可能不够准确。我假设几个网站作为说明。
存在A B C 三个网站,他们都是卖书的。都有一个列表展示每本书的数据。
比如名称,价格,作者,日期等。
这几个网站对一本书的各数据的元素id,排序,数量可能都有区别。
有没一种办法,能避开这种差异,获得干净的数据?
各位大佬球指点
听上去只有机器学习才是我唯一可行的方法的?
看来也没别的太神奇方法,只能尝试机器学了。
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论
评论(4)
1.找重复出现的DOM,比如列表大概率用无序列表写,那么li就是重复出现的DOM
2.对DOM中的内容进行解析,找出文本节点,需要获取封面的话还要找img。
3.对文本节点进行判断,确定是书名还是作者、ISBN、价格等,分类提取。
实际应用还会出现很多问题,比如页面只有一条信息不重复怎么办,以及页面如果有评论列表被识别为图书列表怎么办。包括后面对价格还是作者的类型判断等等。真正实现全部功能的话也跟机器学习没什么差别了,毕竟题目要求是在未知的模式下提取数据,传统的方法肯定是无法解决的
好像没有,只能自己单独为每个网站写相应的采集规则了
应该只能做到指定采集方式一致
但是不同网页采集规则有差异的情况
你说这个东西应该叫人工智能