Web scraping 刮削：检查wiki页面是否为个人页面

几周来，我一直在努力清理所有传记维基页面。问题是我找不到一种方法来区分一个人或其他东西的页面

例如，以下页面：

• 查看来源：
• 查看来源：

它们的HTML代码看起来非常相似。我相信一定有一个关键字，让你知道如果网页是一个人有关

有人面临过同样的问题吗？

---

提前感谢=）

我不确定是否有确切的方法来判断，但你可以建立一个你认为页面可能是关于某个人的指标列表，然后匹配这些指标

例如，在阿尔伯特·爱因斯坦页面的右窗格中有一个“出生”和“死亡”部分。有了这些礼物，我们可以非常肯定这篇文章是关于一个人的（尽管如果你寻找死亡的人，你可能只会得到死亡的人）。但是，这些标题并不一致，您需要与其中一个或多个标题相匹配，以建立信心，相信这篇文章确实是关于一个人的。e、 g.不包含“出生”标题，但包含“出生日期”

除此之外，您还可以进行一些自然语言分析，尝试找出页面上的主要文本是否在谈论某人。大量提到“他”或“她”，可能意味着这篇文章是在谈论一个人