这是一个创建于 1862 天前的主题，其中的信息可能已经有所发展或是发生改变。
话不多说，下面给几个主流网站列表页的识别效果。
可以看到，列表基本都识别出来了，一些列表子项（ List Item ）的字段也标注出来了。这个算法还支持分页的识别。如果进一步优化，甚至可以做到网络爬虫中的自动驾驶，输入一个坐标（网站 URL ）就可以自动抓数据，不需要写 XPath 各种抓取配置规则。做到这一步，说明离智能爬虫就不远啦。
算法不是基于 OCR 的，因此非常快，后续会进一步优化，欢迎大家提意见。
 | 1 sillydaddy 2020-09-08 17:58:02 +08:00 这个做好了就再也不怕网站改版改 html 了！！是基于什么实现的呢？ 盲猜一下，应该不是基于深度学习，但也应该不是基于渲染的位置什么的。 猜不出来。。 |
 | 2 yunser 2020-09-08 19:03:54 +08:00 via iPhone @sillydaddy 列表有个共同特征，就是子元素的结构基本一致，我猜是根据这个判断的。还有 ul li 。 |
 | 3 guyskk0x0 2020-09-08 19:05:20 +08:00 via Android 很赞！开源吗？还是接口服务？ |
 | 4 louettagfh 2020-09-08 19:32:14 +08:00 开源吗 之前想基于 OCR 搞一个 |
 | 5 tikazyq OP @sillydaddy 是的，解决的就是这个问题，但既不是根据深度学习也不是根据渲染位置，是非常简单的算法 |
| 8 tikazyq OP @louettagfh 同上 |
 | 10 marcushbs 2020-09-08 19:55:41 +08:00 想起了逝去的 Kimono |
| 11 tikazyq OP @bojue 我记得后羿采集器可以，但也没公开算法，而且貌似收费，目前至少开源做的很准的还是比较少 |
| 12 tikazyq OP @marcushbs 可惜了，不过 kimono 也不完全自动化，需要一些监督，当时是个不错的产品 |
 | 13 Tianyan 2020-09-08 20:13:59 +08:00 爬来爬去把搜索引擎搞成了垃圾搜索引擎 |
 | 15 heiheidewo 2020-09-08 20:17:12 +08:00 如果是我写的那种不规范的 html 看楼主怎么识别 |
| 16 tikazyq OP @Tianyan 现在主流搜索引擎都有比较健全和复杂的算法来规避垃圾内容了，除非你用的是垃圾搜索引擎 |
| 18 tikazyq OP @heiheidewo 爬虫开发者最怕你这样的前端杀手 |
 | 19 mscb 2020-09-08 20:57:31 +08:00 via Android 啥原理？用上类似于 yolo 这类深度学习的技术吗？ |
 | 21 lemonda 2020-09-08 21:28:01 +08:00 有个需求不知道能不能实现，用来迁移网站用的，比如一个网站有很多个产品页面，每个页面都是单独做的，大同小异，无法从代码抓，因为没有特别的标签，OCR 也不行因为有的是 tab，要点开了才能看。 想法是先在几个测试页面上截图一样点和框出要采集的内容，剩余的它学会了自己采。 |
 | 22 herozzm 2020-09-08 21:31:25 +08:00 via Android ajax 加载的，json 格式的 xml 也能？规则虽老但好用，智能虽好但没法投入生产 |
 | 25 imn1 2020-09-08 22:03:30 +08:00 不需要深度，有足够 html parse 能力就行，深度做这个也太废机器了 我暂时想到的是，这些规则的表格，css 也是规范且类似的，联系父节点、子节点一起分析就够了 之前想写个类似的（目的是辅助浏览，整行整列隐藏个人不关注的内容），只是我多年没做前端，缺乏这个能力和动力 |
 | 26 Mitt 2020-09-08 22:07:45 +08:00 以为会有链接。。。 |
 | 27 haoxuexiaoyao 2020-09-08 23:10:23 +08:00 什么都没有 看了个图 |
 | 28 binux 2020-09-09 00:19:39 +08:00 via Android 单页重复结果识别也太简单了。 五年前我都做到多页的模板识别了。 然而并没有什么卵用。 要准确比如手写，要泛化不如直接训练一个 model 。 |
| 30 tikazyq OP |
| 31 tikazyq OP @binux 其实真正的列表识别还是有一些 trick 的，需要将 html 各种信息进行分析统计判断，要做到高准确率还是有些难度的 |
 | 32 RyougiShiki 2020-09-09 10:06:15 +08:00 用过一款软件 sitesucker，爬取效果相当好，好奇源码。 |
 | 33 ziyunhx 2020-09-09 11:01:04 +08:00 https://github.com/ziyunhx/thrinax 我 2017 年开源的列表页和文章页自动识别代码，有兴趣的可以看看。 |
 | 35 bianz103 2020-09-10 20:09:02 +08:00 via iPhone 怎么知道 ul li 这些渲染后位置呢 |
 | 37 milu2003516968 2020-09-15 13:58:05 +08:00 牛逼是牛逼，但我认为爬虫的痛点并不在于自动识别。 |
| 38 tikazyq OP @milu2003516968 对于不会写爬虫代码的人来说足够了 |
Select Language