搜索内容

有一个问题?

如果您有任何疑问,可以在下面询问或输入您要寻找的!

能否实现网页内容的模式识别?

技术聚客 未结 4 1191
JS菌
JS菌 2021-03-08 09:55

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。

4条回答
  • 2021-03-08 10:42

    你说这个东西应该叫人工智能

    0 讨论(0)
  • 2021-03-08 10:44

    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

    0 讨论(0)
  • 2021-03-08 10:45

    好像没有,只能自己多带带为每个网站写相应的采集规则了

    0 讨论(0)
  • 2021-03-08 10:56

    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

    0 讨论(0)
提交回复