Recipe-scrapers项目中多实体Schema.org数据聚合的技术解析
2025-07-07 11:02:10作者:盛欣凯Ernestine
背景介绍
在recipe-scrapers项目中,开发者近期实现了一个重要功能:从HTML页面元数据中聚合多个schema.org的Recipe实体信息。这一改进引发了若干测试用例的失败,促使我们对数据抓取准确性进行深入审查。
技术挑战
当网页中包含多个schema.org实体时,数据抓取面临几个关键问题:
- 数据来源多样性:同一网页可能同时包含JSON-LD(JSON Linked Data)和HTML微数据(itemprop/itemtype属性)两种格式的schema.org信息
- 信息完整性差异:不同格式或不同实体中包含的字段可能各有侧重
- 嵌套结构处理:某些食谱网站会将完整食谱拆分为多个嵌套的子食谱实体
典型场景分析
案例一:Argiro.gr网站
该网站同时提供了JSON-LD和HTML微数据两种格式的食谱信息。技术审查发现:
- JSON-LD格式通常包含更完整的信息
- 核心食谱字段在两种格式间基本一致
- 次要字段(如图片URL、分类标签等)可能存在差异
案例二:EthanChlebowski.com网站
这个案例展示了更复杂的嵌套食谱结构:
- 主食谱(如Huevos Rancheros)可能包含多个子食谱(如salsa酱、pinto豆子等)
- 每个子食谱都是独立的schema.org实体
- 当前架构每个URL只返回一个食谱,需要考虑如何处理这种嵌套关系
案例三:Good Food Discoveries网站
该网站的多实体情况展示了不同类型信息的分离:
- 第一个实体包含完整的食谱信息
- 第二个实体主要包含评论数据
- 需要智能识别并优先选择包含核心食谱数据的实体
案例四:Womens Weekly Food网站
这个案例再次展示了多格式共存的情况:
- JSON-LD和HTML微数据同时存在
- 两种格式提供的信息重叠较少
- 仅图片URL存在重叠,但缩放参数不同
解决方案
经过技术分析,项目团队确定了以下处理原则:
- 优先级策略:对同一字段的多来源数据,建立明确的优先级规则
- 完整性评估:自动评估不同实体的信息完整性,选择最优数据源
- 字段级合并:允许不同字段来自不同实体,而非全有或全无
- 嵌套处理:对包含子食谱的情况,考虑提取主食谱或提供访问子食谱的机制
技术实现要点
最终的实现方案考虑了以下关键因素:
- 正确处理JSON-LD和HTML微数据的解析差异
- 建立字段合并的冲突解决机制
- 维护向后兼容性,确保现有测试用例的稳定性
- 优化性能,避免因多实体处理导致显著延迟
这一改进显著提升了recipe-scrapers在复杂网页环境下的数据抓取能力,为处理现代食谱网站的多变结构提供了可靠的技术基础。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0305- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
178
262

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
867
513

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
183

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
265
305

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

一款跨平台的 Markdown AI 笔记软件,致力于使用 AI 建立记录和写作的桥梁。
TSX
83
4

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
598
57

基于可以运行在OpenHarmony的git,提供git客户端操作能力
ArkTS
10
3