如果我说20个HTML页面并且我想要提取文档的共享/类似部分，那么有哪些有效的方法可以做到这一点？
所以对于StackOverflow来说，比较10个页面，我发现每个页面的顶栏和主菜单栏是相同的，所以我可以将它们解压缩出来。
似乎我需要一个diff程序或一些复杂的regexp，但假设我事先不知道page / text / html结构。
这可能吗？
答案 0 :(得分：1)
你应该考虑一个clone detector such as CloneDR。好的，无论格式如何，都可以同时比较数千个文件的结构，并会告诉您文件的共同元素以及这些常见元素的变化情况。
CloneDR已应用于许多编程语言。它的基础，DMS Software Reengeering Toolkit，已经处理（脏）HTML，因此构建HMTL CloneDR非常容易。
答案 1 :(得分：0)