如何从网页/供稿中获取标签/关键字？答案

【问题标题】：How do I get tags/keywords from a webpage/feed?如何从网页/供稿中获取标签/关键字？
【发布时间】：2010-06-21 10:17:18
【问题描述】：

我必须从网页/提要中构建标签云。一旦你得到标签的词频表，就很容易构建标签云。但我的疑问是如何从网页/提要中检索标签/关键字？

这就是我现在正在做的事情：

获取内容 -> 剥离 HTML -> 用 \s\n\t(space,newline,tab) 拆分它们 -> 关键字列表

但这并不好用。

有没有更好的办法？

【问题讨论】：

1.使用这种方法，您永远无法获得多字标签。 2.非字母（特殊符号）使标签的意义减少（例如：在我的问题本身中，“\s\n\t(space,newline,tab)”这整个将被视为单个标签）3.甚至在拆分标签之前用空格替换 spl 字符时，它们会影响标签的含义。（例如：16.25 将变为 1625 和 www.google.com -> wwwgooglecom）

【解决方案1】：

您所拥有的是粗略的一阶近似值。我认为，如果您然后返回数据并搜索 2 个单词短语的频率，然后是 3 个单词短语，直到可以被视为标签的单词总数，您将获得更好的关键字频率表示。

您可以通过指定可以包含在短语（代词等）中的某些单词来细化这种粗略的搜索模式。

【讨论】：