论文部分内容阅读
大多网页都是基于服务器端模板生成的，所以在同一个站点经常看到很多外观相同内容相似的网页。HTML是一种半结构化的标记语言，每个HTML网页都对应一个DOM树结构。网页的相似性表现结构上就是结构相似性。研究网页结构相似性的方法有很多，本文从DOM树中的链路结构的角度来研究不同网页间的相似性，并提出了基于链路压缩树的结构相似度度量模型。本文中的计算方法都用Python语言实现。通过实验，本文使用多种方法对不同网页间的相似度进行了计算和分析，实验数据表明，基于链路压缩树的结构相似度度量模型具有较好的适用性，其速