1

私はいくつかのhtml解析をしようとしています。私はいくつかの非常に動的なデータを扱っており、私のソースは大きく異なります。より具体的に言えば、事前に知らないページから、名前、価格、説明などの製品情報を解析しようとしています。

これらのページ全体で変わらない基本的な情報は、ページのタイトル、クエリしているアイテムの名前 (両方とも一致します)、および価格だけです。異なる Web サイトで同じままである唯一の実際のロジックは、異なる情報セット間の近接性です。したがって、価格ラベルは製品名とその説明に近いものになります。

異なる html タグ間のピクセル単位の距離に基づいて解析を絞り込むことができる html パーサーを探しています。

あなたはそのような図書館を知っていますか？この問題に取り組む他の方法はありますか?

編集：

言語、OS、解像度は問題ありません。この問題に役立つ可能性のあるツールは何ですか? 十分なライブラリが見つかったら、基盤となる OS と言語を変更することにするかもしれません。

4

1 に答える 1

1

アイテムの価格の前には、通常、値を表示する数字と同じタグ内の通貨を示す特定の特殊文字が表示されます。

<div class="product_value">£ 10.99</div>
<div class="product_value">¥ 10.99</div>
<div class="product_value">$ 10.99</div>

googleやbingなどの検索APIを使用して特定の製品名を含むページのリストを取得し、そのページを開くと、単純な正規表現ステートメントで通貨マーカー（£、$、¥など）の間のすべてを取得できます。 ）およびdivまたはspanの終わり。

ただし、検索結果に複数の製品または複数の価格マーカーを含むページが表示される場合、このシステムは期待どおりに機能しない可能性があります。確実にする唯一の方法は、サイトごとに個別のスクレーパールーチンをコーディングするか、他の誰かの比較サービスをスクレイプすることです。

于 2012-06-11T04:12:25.933 に答える