基于核心素养下的大单元教学设计（基于Simhash的应用模板识别Perl_信息安全自留地_百度空间）

|文章出处：http://hi.baidu.com/_wang8

基于Simhash的应用模板识别Perl demo

对于同一应用模板生成不同的url  
  
  
  
  
  
，url可能的pathdir            、filename 
 
  
 
  
 
  
 
  
 
  
 
 、arguments的一项或者几项可能不同            。同时

web页面的展示一眼看过去也差别较大 
 
  
 
  
 
  
 
  
 
  
 
 。在url聚类的需求场合 
  
  
  
  
  
 ，需要能自动识别web/url的相似度











。

这里是利用simhash算法


 


 


 


 


 


 ，通过对web页面的一些token的value进行统计分析
  
  
  
  
  
  。来综合判断两条url间的是

否为同一应用模板生成 
 
 
 
 
 
，也为web相似度 
  
  
  
  
  
 。理论上  
   
   
   
   
   
 ，由同一模板生成的页面在token的数量











、顺序
  
  
  
  
  
  、值上会存

在一定的规律

#!/usr/bin/perl

#Compare the similarity of two pages

#http://hi.baidu.com/_wang8

#2011.04.23

#use warnings;

#use strict;

use HTML::TokeParser;

use LWP::Simple;

#use Data::Dumper;

use URI;

use URI::Split qw(uri_split uri_join);

sub GetUrl

{

my $url = shift;

if($url !~ /^http/)

{

print "warning:error format url.\n";

next;

}

my $content = LWP::Simple::get($url) or die "cannot request the url:$url\n";

utf8::decode($content);

return $content;

}

sub GetToken

{

my $content = shift;