开发了一个自动识别 HTML 列表的算法，感觉离智能爬虫又近了一步

[tikazyq]

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。

[sillydaddy]

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。。

[yunser]

@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 。

[guyskk0x0]

很赞！开源吗？还是接口服务？

[louettagfh]

开源吗 之前想基于 OCR 搞一个

[tikazyq]

@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

[tikazyq]

@yunser 思路基本正确，不过实现要稍微复杂一些

[tikazyq]

@guyskk0x0 暂时不打算开源，可能会暂时做成 api 供测试

[tikazyq]

@louettagfh 同上

[bojue]

@tikazyq 不是有自动解析 dom 元素算法，爬虫解析识别图片，文字，链接，然后全网爬

[marcushbs]

想起了逝去的 Kimono

[tikazyq]

@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

[tikazyq]

@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

[Tianyan]

爬来爬去把搜索引擎搞成了垃圾搜索引擎

[bojue]

@tikazyq 那倒是，之前看头条招聘爬虫 JD

[heiheidewo]

如果是我写的那种不规范的 html 看楼主怎么识别

[tikazyq]

@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

[tikazyq]

@bojue 他们也做智能爬虫？

[tikazyq]

@heiheidewo 爬虫开发者最怕你这样的前端杀手

[mscb]

啥原理？用上类似于 yolo 这类深度学习的技术吗？

[tikazyq]

@mscb 不是深度学习哦，算法其实还比较简单

[lemonda]

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。

[herozzm]

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

[tikazyq]

@lemonda 你这种是复杂需求，需要更复杂的算法才可以

[tikazyq]

@herozzm html 就是 xml，json 也是结构化的，本质都是一样的

[imn1]

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

[Mitt]

以为会有链接。。。

[haoxuexiaoyao]

什么都没有 看了个图

[binux]

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 。

[tikazyq]

@binux 大佬厉害，有不有相关的链接可以参考下？

[tikazyq]

@Mitt
@haoxuexiaoyao 现在算法还在优化，等成熟了会放出来

[tikazyq]

@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

[RyougiShiki]

用过一款软件 sitesucker，爬取效果相当好，好奇源码。

[ziyunhx]

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。

[tikazyq]

@ziyunhx 大佬厉害，回头研究下

[bianz103]

怎么知道 ul li 这些渲染后位置呢

[tikazyq]

@bianz103 这个也是一个小算法，生成 selector 的

[milu2003516968]

牛逼是牛逼，但我认为爬虫的痛点并不在于自动识别。

[tikazyq]

@milu2003516968 对于不会写爬虫代码的人来说足够了