HTML文件中的百分比相似性[关闭]答案

【问题标题】：percentage similarity in HTML files [closed]HTML文件中的百分比相似性[关闭]
【发布时间】：2013-06-14 01:20:16
【问题描述】：

我正在尝试为网站实施污损检测器。为此，我应该用 Java 开发一个工具来比较两个 HTML 文件之间的相似性。我打算剥离 URL 和 JS 以分别处理它们。

我正在寻找一种工具/库/算法，可用于计算相似度指标（理想情况下为百分比），以检测网站的重大变化。

感谢您的帮助。

【问题讨论】：

所以...您要求的工具已经完成了您想做的事情？我不确定这是一个有效的问题。
我认为这是一个有效的问题。即使我自己实现这个工具，我仍然需要关于使用算法的建议。而如果这个工具存在，我为什么要实现它（反正我没有所需的技能，我只是一个实习生）
如果你想要第三方工具，请使用 PhantomJS。它专为自动化站点测试而设计，包括截取站点的屏幕截图并与参考图像进行比较的功能。见this for more info

【解决方案1】：

由于 HTML 本质上只是基于文本的标记，因此最简单的方法是 Levenshtein distance。该算法通过为单个字符的每次加减或删除分配一个点来确定 2 个输入字符串之间的差异，并确定此结果的“最短”距离。

非正式地，两个词之间的 Levenshtein 距离是最小的单字符编辑的数量（插入、删除、替换）需要将一个单词变成另一个单词。

Java can be found here 的示例实现。

通过将 Levenshtein 距离除以最大输入字符串的长度，您可以计算出两个字符串之间的差异百分比。

【讨论】：