能否实现网页内容的模式识别？

Question

问题可能不够准确。我假设几个网站作为说明。
存在A B C 三个网站，他们都是卖书的。都有一个列表展示每本书的数据。
比如名称，价格，作者，日期等。
这几个网站对一本书的各数据的元素id，排序，数量可能都有区别。

有没一种办法，能避开这种差异，获得干净的数据？

各位大佬球指点

听上去只有机器学习才是我唯一可行的方法的？

看来也没别的太神奇方法，只能尝试机器学了。

Answer 1

1.找重复出现的DOM，比如列表大概率用无序列表写，那么li就是重复出现的DOM
2.对DOM中的内容进行解析，找出文本节点，需要获取封面的话还要找img。
3.对文本节点进行判断，确定是书名还是作者、ISBN、价格等，分类提取。

实际应用还会出现很多问题，比如页面只有一条信息不重复怎么办，以及页面如果有评论列表被识别为图书列表怎么办。包括后面对价格还是作者的类型判断等等。真正实现全部功能的话也跟机器学习没什么差别了，毕竟题目要求是在未知的模式下提取数据，传统的方法肯定是无法解决的

Answer 2

好像没有，只能自己单独为每个网站写相应的采集规则了

Answer 3

应该只能做到指定采集方式一致
但是不同网页采集规则有差异的情况

Answer 4

你说这个东西应该叫人工智能