识别文章标签

Question

我正在尝试识别给定 URL 的标签。

标签规范有什么约定吗？任何基于常见用法的启发式方法？

我指的是对其内容进行分类的站内标签。例如在每篇 TC 文章的末尾，您都可以找到一个“标签”部分。大多数内容网站也是如此。

Answer 1

我希望我能理解你的问题。我相信你指的是像'html''regex'之类的标签，就像你问题的结尾一样。

理论上，您可以假设页面使用rel="xyz" 作为标签链接。 Stackoverflow 做到了，我知道的其他一些网站也做到了。

http://microformats.org/wiki/rel-tag

但我认为它不是很可靠。因为没有“必须”，也不能保证这样的标签。

无论如何，如果您想尝试并解析内容，我不建议您从头开始。 Jsoup 例如在一个非常漂亮的库中提供了很多功能。您甚至可以找到具有特定属性的链接标签。