描述:
对于一种商品：http://product.dangdang.com/23477630.html
用什么算法能知道他和另一家网站的http://www.amazon.cn/gp/product/B00KFM43CO/ref=s9_wish_gw_d66_g14_i1_gs9w?ie=UTF8&colid=39NFRLNN4TZIE&coliid=I8RBEPEFXAQE3&pf_rd_m=A1AJ19PSB66TGU&pf_rd_s=center-2&pf_rd_r=123EVCKD7936886JAY79&pf_rd_t=101&pf_rd_p=212028152&pf_rd_i=899254051
是同一种商品呢？
解决方案1:
正好接触过这方面的东西. 这个问题属于Record linkage范畴. 可以参考一下Stanford Entity Resolution Framework. 这里有个文档比较好, 可以看看.
解决方案2:虽然没做过 但是以我很水的想法 大概是这样的
首先，我们保证几个前提：
（1）没人会在乎那种特别商品的比价，比如你不会在意在5173上买张点卡是比淘宝上便宜还是贵，换句话说越是热门商品，比如服装、电器越惹人关注
（2）电商网站，热门的就那么几个，这使得我们可以针对每个网站做特殊的抓取和处理
（3）考虑到seo，一个商品在一段时间内会被静态化为一个页面，这样只要拿到url就不需要分析他是什么商品（云的功劳~服务器存所有数据）
（4）你的工程师能力足够写出爬虫抓取所有的数据并分析出关键字段，这个就不讲了
说这么多废话，你认为真的可以通过比较页面来筛选同样的商品么，当然不能，但是有一些特征可以用：
（1）标题，最重要的，里面有商品名称和型号，当然你得写出一些算法来去掉宣传的语句，比如惊爆价，之类
（2）对于图书其实更简单，去找ISBN就是了，境内合法出版的图书只要比这个就行了
接下来就是对标题的一些处理，通过分词、命名实体识别，拿到商品型号之类，最后和页面URL关联起来就完了，当然，如果你认为标题的内容足够纯净，直接比编辑距离也未尝不可。
以上纯脑补，各位大哥大姐手下留情。