有了下面这个解析Html生成标签树(前言)教程,不懂解析Html生成标签树(前言)的也能装懂了,赶紧get起来装逼一下吧!
【 tulaoshi.com - Web开发 】
提示:
根据这几天的访问量跟踪,我发现很多访者都没有很好地关注到真正进行算法描述的章节《解析Html生成标签树(一)》,特此进行提示。
搜索引擎一个最重要的步骤就是,获得网页的正文内容,我相信每个人看见一篇网页的时候,从视觉上都很容易知道哪个部分是正文内容,哪个部分是版权信息,哪个部分是广告信息。但是要让计算机明白这些,估计要若干年(到时候还不知道人类是否已经变异成4只眼睛,5个耳朵。。。)之后。
在网络上大量存在一些关于网页正文抽取的理论性文章,最著名的应该数介绍北大天网的《搜索引擎原理技术与系统》一书中所介绍的网页净化技术了,中心思想大概就是,首先将Html源文件解析成一棵以Html标签为节点的树(为了后面的描述方便,我们称其为“Html树”),然后再根据一定的启发式规则进行判断,当然各位可以具体去找这书来看看。所以很多的都是参考这种方式来实现。遗憾的是我没有找到源代码,并且我也不擅长Linux编程,所以即使拿到代码,估计也会头痛很久(看不懂啊)。怎么办呢?Baidu以后Google,Google以后Baidu。我都不知道为了这个事情,向这两家贡献了多少流量啊,估计他们应该给我发奖金。但是我都没有找到自己想要的代码。。。据说有一个名叫HtmlParser的家伙可以做这东西。但是我下载了一个以后(后来证明应该不是正宗的,在一个老外写的Spider中有这么几个类http://www.codeproject.com上下载的)发现不是我想要的,虽然可以很好的解析出里面的超级链接之类的东西。所以最终确定不能用,最多只能作为学习例子进行研究。
估计HtmlParser应该是可以实现,但是我人懒,没有找到使用这东西的可执行文件,最主要的是我根本就还没有下载到HtmlParser工具包。我最喜欢的是能够先看效果,然后研究,因为我没有太多的时间来研究老外写的代码,说实在话,我的代码有点自己的风格,但是老外的代码有时候也是很难读懂的,这点“要向老外学习”。
我也找到这么篇文章:http://blog.csdn.net/lanphaday/archive/2007/08/13/1741185.aspx,说这种方法可行,可是这个不是C#写的,也找不到可执行文件,最重要的是,最终我都没有读懂这文章。
某天之后我终于醒悟,决定自己写一个能够解析Html文档的东西。自己写的,想怎么改就怎么改,想怎么用就怎么用。再废话几句,为什么要把Html先解析成Html树呢,因为在实际的搜索引擎应用中,人们可能会需要利用到每个Html的标签的一些属性(比如粗体、斜体、颜色等等)来判断一篇网页的重要程度,便于对网页进行进一步的挖掘。
我相信各位也是比较喜欢首先看效果的,我也首先给各位看看效果:
Html文件如下:
view plaincopy to clipboardprint?
html
head
title解析Html文件/title
meta content="!@#$%^&*("
/head
body
table
tr
td
table
tr
td/td
/tr
/table
/td
td/td
/tr
tr
td/td
td/td
/tr
/table
/body
/html
html
head
title解析Html文件/title
meta content="!@#$%^&*("
/head
body
table
tr
td
(本文来源于图老师网站,更多请访问http://www.tulaoshi.com/webkaifa/)table
tr
td/td
/tr
/table
/td
td/td
/tr
(本文来源于图老师网站,更多请访问http://www.tulaoshi.com/webkaifa/)tr
td/td
td/td
/tr
(本文来源于图老师网站,更多请访问http://www.tulaoshi.com/webkaifa/)/table
/body
/html
解析以后图片如下:
结果到是理想的。下一篇将详细介绍生成算法
在:解析Html生成标签树(一)中我已经详细介绍了方法,并且配上了核心思路和核心代码。
来源:http://www.tulaoshi.com/n/20160219/1620896.html
看过《解析Html生成标签树(前言)》的人还看了以下文章 更多>>