如何高效判断网页是否来自网站

Question

我有一些未知的网页，我想确定它们来自哪些网站。我有每个网站的示例网页，并且我假设每个网站都有一个独特的模板。 我不需要完全的确定性，也不想使用太多的资源来匹配每个网页。所以爬取每个网站的网页是不可能的。

我想最好的方法是比较每个网页 DOM 的树结构。有没有库可以做到这一点？

理想情况下，我想要一个基于 Python 的解决方案，但如果有一个我可以理解和实现的算法，那么我也会对此感兴趣。

谢谢

Answer 1

您可以通过贝叶斯分类来做到这一点。首先将每个站点的一些页面输入分类器，然后可以对未来的页面进行测试，看看它们的匹配程度。

贝叶斯分类器库可在此处找到： reverend (LGPL)

简化示例：

# initialisation
from reverend.thomas import Bayes
guesser = Bayes()
guesser.train('site one', site_one_page_one_data)
guesser.train('site one', site_one_page_two_data)
# ...etc...
guesser.train('site two', site_two_page_one_data)
guesser.train('site two', site_two_page_two_data)
# ...etc...
guesser.save()

# run time
guesser.load()
results = guesser.guess(page_I_want_to_classify)

为了获得更好的结果，标记化首先是 HTML。但这可能没有必要。

Answer 2

您可以尝试的一种快速但肮脏的方法是将 html 源代码拆分为 html 标记，然后比较生成的字符串集合。您最终应该收集标签和内容，例如：

item[n] ="<p>"
item[n+2] ="This is some content"
item[n+2] ="</p>"

我认为正则表达式几乎可以在每种语言中执行此操作。

除标签之外的某些内容是相同的（菜单等）。我认为对出现次数进行数字比较就足够了。当您在相同位置具有相同标签/内容时，您可以通过给予一定的“分数”来改进。也许大量收藏品的“组合”可以给你确定性。