首先提取HTML的标签频率、DOM结构、文本内容等特征并转化为数值型向量，再应用K-Means、层次聚类等算法进行聚类分析，可用于网页分类、去重、反爬虫等场景。
HTML数据本身不是数值型数据，不能直接用于聚类分析。但我们可以从HTML中提取有用的信息（如结构特征、文本内容、标签使用模式等），将其转化为可用于聚类的特征向量。下面介绍如何对HTML数据进行聚类分析的实践方法。
1. HTML数据的特征提取
要对HTML进行聚类，第一步是将非结构化的HTML代码转换为结构化的特征数据。常用的方法包括：
- 标签频率统计：统计页面中各类HTML标签（如div、p、h1、img、a等）出现的次数，形成向量表示。
- DOM树结构特征：提取DOM深度、子节点数量、分支度等结构信息。
- 文本内容特征：从HTML中去除标签，提取纯文本，并使用TF-IDF或词袋模型生成文本向量。
- 元信息提取：如title长度、meta标签种类、charset、viewport设置等。
- 链接与资源分布：统计外链、图片、脚本、CSS文件的数量和比例。
例如，一个网页可以表示为如下特征向量：
[div_count: 45, img_count: 8, p_count: 12, h1_count: 1, text_length: 2300, external_links: 6, has_js: 1, has_css: 1]
2. 常用聚类算法应用
在完成特征提取后，可使用标准聚类算法对网页进行分组：
- K-Means：适用于数值型特征向量，需预先设定聚类数量。适合对网页按布局风格或内容类型进行分组。
- 层次聚类（Hierarchical Clustering）：无需预设簇数，适合探索性分析，能发现网页间的嵌套相似性。
- DBSCAN：对噪声数据鲁棒，适合识别异常网页（如广告页、爬虫陷阱页）。
- 谱聚类：适合处理高维稀疏特征，如基于文本内容的网页聚类。
建议先对特征进行标准化处理（如MinMaxScaler或StandardScaler），避免某些特征因量纲大而主导聚类结果。
立即学习“前端免费学习笔记（深入）”；
3. 实践应用场景
HTML数据聚类在实际中有多种用途：
- 网页分类与归档：将大量网页按结构或内容自动分类，如新闻页、产品页、登录页等。
- 网站重构辅助：识别结构相似的页面，帮助统一UI设计或模板优化。
- 反爬虫策略优化：通过聚类识别出被频繁访问的页面类型，判断是否为爬虫行为。
- 内容去重：发现结构高度相似的页面，识别重复内容或镜像页面。
- 用户体验分析：将移动端适配良好与不良的页面分组，辅助响应式设计改进。
4. 工具与实现示例（Python）
使用Python可以快速实现HTML聚类流程：
from bs4 import BeautifulSoup
import requests
from sklearn.feature_extraction import DictVectorizer
from sklearn.cluster import KMeans
import numpy as np
<h1>提取HTML特征</h1><p>def extract_features(html):
soup = BeautifulSoup(html, 'html.parser')
features = {}</p><pre class='brush:php;toolbar:false;'># 标签计数
for tag in ['div', 'p', 'img', 'a', 'h1', 'script', 'link']:
features[f'{tag}_count'] = len(soup.find_all(tag))
# 文本长度
text = soup.get_text()
features['text_length'] = len(text)
# 是否包含JS/CSS
features['has_js'] = int(len(soup.find_all('script')) > 0)
features['has_css'] = int(len(soup.find_all('link', rel='stylesheet')) > 0)
return features示例：多个网页
urls = ['https://www.php.cn/link/a306a13c6c1ee387390fdc96c7bdca66', 'https://www.php.cn/link/922a7fd3b1c537453af87329140dcfb2'] features_list = []
for url in urls: html = requests.get(url).text feat = extract_features(html) features_list.append(feat)
向量化
vec = DictVectorizer() X = vec.fit_transform(features_list).toarray()
聚类
kmeans = KMeans(n_clusters=2) labels = kmeans.fit_predict(X)
print("聚类标签:", labels)
基本上就这些。关键在于合理选择特征和算法，结合业务目标解释聚类结果。不复杂但容易忽略细节。
