Chrome阅读模式

提取特征:
extract_features.js会根据urls提取html特征以及chrome distilled特征,分别为name.feature以及name.dfeature
features:

 'opengraph': hasOGArticle(),
 'url': document.location.href,
 'title': document.title,
 'numElements': body.querySelectorAll('*').length,
 'numAnchors': body.querySelectorAll('a').length,
 'numForms': body.querySelectorAll('form').length,
 'numTextInput': body.querySelectorAll('input[type="text"]').length,
 'numPasswordInput': body.querySelectorAll('input[type="password"]').length,
 'numPPRE': body.querySelectorAll('p,pre').length,
 'innerText': body.innerText,
 'textContent': body.textContent,
 'innerHTML': body.innerHTML,
 'mozScore': Math.min(6 * Math.sqrt(1000 - 140), _mozScore(false, 0.5, 140, true, 1000)),
 'mozScoreAllSqrt': Math.min(6 * Math.sqrt(1000), _mozScore(false, 0.5, 0, true, 1000)),
 'mozScoreAllLinear': Math.min(6 * 1000, _mozScore(false, 1, 0, true, 1000)),
 'visibleElements': countVisible(body.querySelectorAll('*')),
 'visiblePPRE': countVisible(body.querySelectorAll('p,pre')),

native:

derived features:

  features = [
    'id', index,
    'sin', math.sin(index),
    'openGraph', opengraph,

    'forum', 'forum' in path,
    'index', 'index' in path,
    'search', 'search' in path,
    'view', 'view' in path,
    'archive', 'archive' in path,
    'asp', '.asp' in path,
    'phpbb', 'phpbb' in path,
    'php', path.endswith('.php'),
    'pathLength', len(path),
    'domain', len(path) < 2,
    'pathComponents', CountMatches(path, r'\/.'),
    'slugDetector', CountMatches(path, r'[^\w/]'),
    'pathNumbers', CountMatches(path, r'\d+'),
    'lastSegmentLength', len(GetLastSegment(path)),

    'visibleRatio', float(visibleElements) / max(1, numElements),
    'visiblePPRERatio', float(visiblePPRE) / max(1, numPPRE),
    'PPRERatio', float(numPPRE) / max(1, numElements),
    'anchorPPRERatio', float(numAnchors) / max(1, numPPRE),

    'innerTextLength', len(innerText),
    'textContentLength', len(textContent),
    'innerHtmlLength', len(innerHTML),
    'innerTextLengthRatio', float(len(innerText)) / max(1, len(innerHTML)),
    'textContentLengthRatio', float(len(textContent)) / max(1, len(innerHTML)),
    'innerTexttextContentLengthRatio',float(len(innerText)) / max(1, len(textContent)),

    'innerTextWordCount', innerTextWords,
    'textContentWordCount', textContentWords,
    'innerhtmlWordCount', innerHTMLWords,
    'innerTextWordCountRatio', float(innerTextWords) / max(1, innerHTMLWords),
    'textContentWordCountRatio', float(textContentWords) / max(1, innerHTMLWords),
    'innerTexttextContentWordCountRatio', float(innerTextWords) / max(1, textContentWords),

    'textCount', numText,
    'passwordCount', numPassword,
    'formCount', numForms,
    'anchorCount', numAnchors,
    'elementCount', numElements,
    'anchorRatio', float(numAnchors) / max(1, numElements),
  ]

  for k in sorted(raw):
    if 'mozScore' in k or 'num' in k:
      features += [k, raw[k]]

mozScore

  function _mozScore(trim, power, cut, excludeLi, saturate) {
    var score = 0;

    var nodes = document.querySelectorAll('p,pre')
    for (var i = 0; i < nodes.length; i++) {
      var node = nodes[i];
      if (!isVisible(node)) {
        continue;
      }
      var matchString = node.className + " " + node.id;
      if (unlikelyCandidates.test(matchString) &&
           !okMaybeItsACandidate.test(matchString)) {
        continue;
      }

      if (excludeLi && node.matches && node.matches("li p")) {
        continue;
      }

      var textContent = node.textContent;
      if (trim) textContent = textContent.trim();
      var textContentLength = textContent.length;
      textContentLength = Math.min(saturate, textContentLength)
      if (textContentLength < cut) {
        continue;
      }

      score += Math.pow(textContentLength - cut, power);
    }
    return score;
  }

分类算法

OG_ARTICLE
meta是否包括og:type

AdaBoost
原理:https://blog.csdn.net/v_JULY_v/article/details/40718799

AdaBoost

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 212,222评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,455评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,720评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,568评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,696评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,879评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,028评论 3 409
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,773评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,220评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,550评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,697评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,360评论 4 332
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,002评论 3 315
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,782评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,010评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,433评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,587评论 2 350

推荐阅读更多精彩内容