从任意html页面提取有用的数据？

Question

是否有一个Ruby或PHP的库，它能够解析HTML页面，并通过与其他类似页面进行比较来提取独特的数据......应该使用某种文本挖掘来识别哪些文本更可能是噪音和反复，而其它文本是较为独特的和有用的...

Answer 1

我是一个PHP的家伙，不知道关于Ruby但我认为，你想要的是平凡的档案：

• 使用类似Simple HTML DOM解析页面。
• 为每个页面比较所有的DOM元素。
• 获取具有不同内容的所有元素的路径，这些将是您的信号元素。