The OpenNET Project / Index page

[ новости /+++ | форум | теги | ]

форумы  помощь  поиск  регистрация  майллист  вход/выход  слежка  RSS
"анализ структуры страницы"
Вариант для распечатки  
Пред. тема | След. тема 
Форумы WEB технологии (Public)
Изначальное сообщение [Проследить за развитием треда]

"анализ структуры страницы"  
Сообщение от FarID (ok) on 28-Сен-07, 17:03 
существуют ли алгоритмы анализа страницы?
а именно, скажем, выделение рекламы или блока новостей из страницы
Высказать мнение | Ответить | Правка | Наверх | Cообщить модератору

 Оглавление

Сообщения по теме [Сортировка по времени | RSS]


1. "анализ структуры страницы"  
Сообщение от tx2 on 28-Сен-07, 17:33 
так понимаю что страница - это хтмл??

универсальные? гыгы =)

если нужно просто выделить какойто блок со страницы известной структуры...
и разобрать его на составные части, для последующей обработки:
это делается например с помощью регулярных выражений.

Высказать мнение | Ответить | Правка | Наверх | Cообщить модератору

2. "анализ структуры страницы"  
Сообщение от FarID (ok) on 28-Сен-07, 17:39 
>так понимаю что страница - это хтмл??

да

>универсальные? гыгы =)

именно универсальные!

>если нужно просто выделить какойто блок со страницы известной структуры...
>и разобрать его на составные части, для последующей обработки:
>это делается например с помощью регулярных выражений.

в том то и дело что когда известна структура дальше задача сводится к уровню начальных классов детсада

вопрос именно о существовании алгоритмов анализа страницы и разделения ее на логические блоки
к примеру на этой странице сверху и снизу реклама а посередине тематика

Высказать мнение | Ответить | Правка | Наверх | Cообщить модератору

3. "анализ структуры страницы"  
Сообщение от tx2 on 28-Сен-07, 21:54 
в целом - нет ничего невозможного...

ну... скажем в случае универсальных - задача сравнима с задачей разбора естественного языка...

нужны всетаки какието признаки, сформулированные из вне. (слова ключевые, еще что-то)...

ну вот например такая мысль:
например нужно выделить области с рекламой на сайте.
есть некотрые признаки, например ключевые слова banner, ad, реклама...
также есть некотрые признаки других областей: новости, меню и подобное..
ищим эти признаки, составляем список всех включений их в документ.
если близко друг от друга(по тексту/DOM) найдено несколько объектов, пологаем что они принадлежат одной структурной единице - блоку рекламы... пытаемся поднятся выше по иерархии и захватить кусок включающий максимум необходимого нам признака, но при этом - минимум лишнего.

или так:
допустим нужно выделить посты на блоге...
каждому посту, независимо от блога характерен набор элементов:
заголовок, дата, автор, содержание, кнопка "читать дальше", кнопка "комментарии"...
такое есть почти везде...
ищим такого рода повторяющиеся структуры в тексте документа... находим и также пытаемся для каждой найти такую иерархическую рамку, которая включила бы максимум нужного, но при этом не захватила бы ненужного...

вообще открытых реализаций таких вещей я никогда не видел,
и думаю это стоит очень солидных денег...
и это фишка таких контор как гугла и яньдексь

встерчный вопрос: где такая задача встала?

Высказать мнение | Ответить | Правка | Наверх | Cообщить модератору

4. "анализ структуры страницы"  
Сообщение от FarID (ok) on 29-Сен-07, 10:28 
Спасибо за интересные мысли

>встерчный вопрос: где такая задача встала?

я сам задался этой темой когда очередной раз начал изучать структуру сайта без rss чтобы сделать импорт новостей

меня интересует наличие подобных разработок
хотелось бы хотелось развить эту тему

Высказать мнение | Ответить | Правка | Наверх | Cообщить модератору

Архив | Удалить

Индекс форумов | Темы | Пред. тема | След. тема
Оцените тред (1=ужас, 5=супер)? [ 1 | 2 | 3 | 4 | 5 ] [Рекомендовать для помещения в FAQ]




Партнёры:
PostgresPro
Inferno Solutions
Hosting by Hoster.ru
Хостинг:

Закладки на сайте
Проследить за страницей
Created 1996-2024 by Maxim Chirkov
Добавить, Поддержать, Вебмастеру