如何对 URL 进行分类？ [关闭]

Posted 2023-03-12

【中文标题】如何对 URL 进行分类？ [关闭]

【英文标题】：How to classify URLs? [closed]

【发布时间】：2013-01-18 18:35:52

【问题描述】：

我有一组网址，例如：

https://www.facebook.com/profile.php?id=456789
https://www.facebook.com/messages/78134
https://www.facebook.com/profile.php?id=123
https://www.facebook.com/messages/781234
https://www.facebook.com/45/settings/781234/ab
https://www.facebook.com/48/settings/989213/ef

数据集至少有 100 个 url，比如 5-6 种类型。我的期望是：

[
  ['https://www.facebook.com/profile.php?id=456789',
   'https://www.facebook.com/profile.php?id=123'],
  ['https://www.facebook.com/messages/781234',
   'https://www.facebook.com/messages/78134'],
  ['https://www.facebook.com/45/settings/781234/ab',
   'https://www.facebook.com/48/settings/989213/ef']
]

我如何对它们进行分类？没有学习投入。

【问题讨论】：

这是一个不平凡的问题。到目前为止你有什么？

您正在根据您心中的任何标准以某种方式对其进行分类。你为什么要这样问我们？您认为我们应该如何解读您的想法并告诉您您的想法？

我还没有解决方案，我正在尝试找出解决此问题的更好方法。

我期待某种学习算法的简单实现。如果问题格式不正确，我们深表歉意。

【参考方案1】：

您的问题没有明确定义，但这似乎可以根据所需的输出工作：

require 'uri'

URL_DIVISIONS = %w[profile messages settings]
URL_DIVISION_REGEX = Regexp.union(URL_DIVISIONS)

urls = %w[
  https://www.facebook.com/profile.php?id=456789
  https://www.facebook.com/messages/78134
  https://www.facebook.com/profile.php?id=123
  https://www.facebook.com/messages/781234
  https://www.facebook.com/45/settings/781234/ab
  https://www.facebook.com/48/settings/989213/ef
]

pp urls.group_by |url|
  URI.parse(url).path[URL_DIVISION_REGEX] 

哪些输出：

"profile"=>
  ["https://www.facebook.com/profile.php?id=456789",
  "https://www.facebook.com/profile.php?id=123"],
"messages"=>
  ["https://www.facebook.com/messages/78134",
  "https://www.facebook.com/messages/781234"],
"settings"=>
  ["https://www.facebook.com/45/settings/781234/ab",
  "https://www.facebook.com/48/settings/989213/ef"]

如果您需要没有划分信息的列表，请使用：

pp urls.group_by |url|
  URI.parse(url).path[URL_DIVISION_REGEX] 
.values

哪些输出：

[["https://www.facebook.com/profile.php?id=456789",
  "https://www.facebook.com/profile.php?id=123"],
["https://www.facebook.com/messages/78134",
  "https://www.facebook.com/messages/781234"],
["https://www.facebook.com/45/settings/781234/ab",
  "https://www.facebook.com/48/settings/989213/ef"]]

不过，我会将其保留为哈希，并使用 URL_DIVISIONS 数组循环遍历键，并根据需要提取值。

【讨论】：

虽然不错，但我觉得他在找自学分类器。

【参考方案2】：

这是一个自学版本。您没有指定学习的确切标准，因此您可能想要调整正则表达式，但也许您可以将其作为起点：

require 'uri'

urls = %w[
  https://www.facebook.com/profile.php?id=456789
  https://www.facebook.com/messages/78134
  https://www.facebook.com/profile.php?id=123
  https://www.facebook.com/messages/781234
  https://www.facebook.com/45/settings/781234/ab
  https://www.facebook.com/48/settings/989213/ef
]

pp urls.group_by  |url|
  (URI.parse(url).path.match(/[a-z]+/) || ["unknown"])[0]

输出：

"messages"=>
  ["https://www.facebook.com/messages/78134",
   "https://www.facebook.com/messages/781234"],
 "profile"=>
  ["https://www.facebook.com/profile.php?id=456789",
   "https://www.facebook.com/profile.php?id=123"],
 "settings"=>
  ["https://www.facebook.com/45/settings/781234/ab",
   "https://www.facebook.com/48/settings/989213/ef"]

【讨论】：

谢谢 - 这似乎是一个不错的选择。基本上，我需要了解如何为每个集合创建一个正则表达式。