什麼算法有助於識別DOM中的重複序列？

Question

是否有一個很好的算法，我可能適用於一個DOM導致我可能相關的節點組？最終目標是獲得有用的信息，以幫助從網站中提取TOC和「博客卷」等內容。如果這樣的事情已經存在，如果有人讓我知道，我會很高興。

我意識到這不是我希望確定性地做的事情。我懷疑可能有解決方案的原因，最近來自於處理常見序列的'差異算法'。我不確定這是一個飛躍還是不是從「普通」到「重複」...

Answer 1

「相關」是一個非常普遍的術語，因爲它總是要在很大程度上取決於實際數據是，你試圖推斷的關係是什麼。我不太明白你爲什麼在談論「重複序列」作爲「相關性」的度量標準。嚴格來說，DOM中沒有真正的「序列」 - 它是一棵樹，所以你只能談論關於父/子關係或兄弟關係的排序（因此排序）。我不確定你的意思是任何這些事情。

也就是說，您可以對DOM做一些說明。他們是樹，所以你基本上想要確定具有相似形狀的子樹，我認爲？

您可能採取的一種方法是採用兩個此類DOM並嘗試通過添加邊（使整個事物成爲連通圖）來關聯相似節點（例如具有已知屬性或特定節點的節點），然後計算clique。

除此之外，我不確定沒有更完整的問題描述，我可以建議更多具體的方法。

Answer 2

你只需要選擇一個「絕對有趣」的節點的例子，併發明一個很好的相似關係;那麼所有類似的節點將會很有趣。相似性可能基於以下因素：通向根的路徑高度，屬性值，標籤名稱，兄弟姐妹之間的位置，以上所有關於父級節點的幾個級別等等。我使用了這種方法，它的工作方式非常出色。