HTML文件中的百分比相似度

Question

我正在尝试为网站实施污损检测器。为此，我应该开发一个Java工具，用于比较两个HTML文件之间的相似性。我打算剥离URL和JS单独处理它们。

我正在寻找一种工具/库/算法，我可以使用它来计算相似性度量（理想情况下的百分比），以便检测网站中的重大变化。

感谢您的帮助。

Answer 1

由于HTML本质上只是一个基于文本的标记，因此最简单的方法是Levenshtein distance。该算法通过为每个加法，减法或删除单个字符分配单个点来确定2个输入字符串之间的差异，并确定此结果的“最短”距离。

  

非正式地说，两个单词之间的Levenshtein距离是最小的   单字符编辑数（插入，删除，替换）   需要将一个单词改为另一个单词。

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。