"Komprimované" XML

3.6.2007 14:52 | programování

"Komprimované" XML je celkem zajímavý standard, který se používá převážně v AJAXových aplikacích, ale své využití najde i jinde. Bohužel o něm ale není příliš informací.

celý článek        

Komentáře

[Lukáš Zapletal]

Tak tohle to už bylo...

...degradovat blog ábíčka na rozcestník.

[Dundee5]

Já vím, není to ideální řešení.

Přijde mi ale lepší dopsat sem určité shrnutí a doplnění článku a dodat odkaz, než naopak degradovat svůj blog tím, že bych ten článek otiskl pouze tady.

[Luboš Doležel (Doli)]

Obvykle je slušností ho vydat na obou místech.

[andree]

ale je lepsie... bud mozes ten blog pisat tu, alebo spravit raz za cas zhrnutie co si napisal - ale ak tu budes vzdy pisat 2 vety o svojom inom blogu+odkaz, asi nikoho nepotesis.

alebo mozes tie texty zverejnovat na oboch blogoch rovnake.. takto iba vyuzivas/zneuzivas abccko na zvysenie svojej navstevnosti

[Dundee5]

JJ, to shrnutí bude asi nejlepší...

[Luk]

Tak se rozhodni, který blog budeš používat. Možná máš v plánu nacpat si potom do toho svého reklamu (Google AdSense apod.), proto tam chceš dostat hodně návštěvníků. Většinou se tomu říká parazitování

[Dundee5]

Dávat stejný text sem i tam je volovina. Vznikají tak duplicity a to se vyhledávačům moc nelíbí.

AdSense opravdu v úmyslu nemám :)

[Robert Krátký]

degradovat svůj blog tím, že bych ten článek otiskl pouze tady.

A proto tímto mrzáčkem degraduješ blog na abclinuxu? Chceš-li vést blog jinde, nic ti přeci nebrání. Abclinuxu zjevně pouze zneužíváš ve snaze přivést na ten svůj "opravdový" blog více návštěvníků.

[Robert Krátký]

Navíc koukám, že těmi svými upoutávkami tapetuješ. Príma.

[Dundee5]

Napsal jsem dva články...to snad ještě není tapetování.

[Zdeněk Burda]

Dva články nikde nevidím, jen dva mrzáčky, teda úvody.

[Dundee5]

:) Dobra, dobra. Uz sem radsi nic psat nebudu...

[Zdeněk Burda]

Klidně sem piš, ale jen celé články. Takovéto odkazy někam do pryč akorát poškozují abclinuxu.

[Dundee5]

Bylo by mi líto napsat sem nějaký pěkný článek a nevydat ho u sebe...A jak už jsem říkal, publikovat stejný obsah na dvou místech také není dobré.

[Robert Krátký]

Bylo by mi líto napsat sem nějaký pěkný článek a nevydat ho u sebe...

A proč nemáš u sebe upoutávku na celý článek, který by vyšel tady? :-P

[Dundee5]

To je taky možnost, ale tím bych zase poškozoval sám sebe :( Zkusím někdy v budoucnu tu duplicitu a uvidíme jak moc budou vyhledávače bannovat...

[Käyttäjä 11133]

Vyhledávače nebudou banovat kvůli JEDNÉ duplicitě.

[Dundee5]

To si nejsem tak jistý. Nemyslím tím bannování celé domény, ale té jedné konkrétní stránky. Podle mě pak vyhledávače stránku výrazně méně ohodnotí.

[Luboš Doležel (Doli)]

To si myslíš, že vyhledávače se věnují obsahovému porovnávání stránek? Jaký výpočetní výkon by na to byl potřeba?

[Dundee5]

Nejsem expert na SEO, takže nevím, jak indexace funguje. Vím ale, že duplicity se bannují...

[Lu-Tze]

Asi o dost menší než mají k dispozici Zjistit co je skutečným jádrem stránky, asi nebude úplně těžké. Mám n (stačí málo, třeba 10) stránek s blogy (poznám podle podobného schématu url), tak odstraním to co je všude přibližně stejné a oddělím tak šablonu od obsahu. Obsah (text) přetransformuju do nějaké kanonické podoby a spočtu hash. Hashe třeba setřídím a získám tak skupiny stránek, které mají víceméně stejný obsah.

[Luboš Doležel (Doli)]

Hashe nemá smysl třídit - stačí jediný znak a hash bude naprosto odlišný.

[Lu-Tze]

Však proto jsem tam dal tu transformaci do jakéhosi "kanonického" tvaru (převod na malá písmena, vyházení diakritiky, čárek, mezer, převod slova do základního tvaru, odstranění překlepů pomocí slovníku atp.). Hashe třídím proto, že mě to napadlo jako první způsob, jak rozdělit soubor hashů (a jim odpovídajících url) na části, které mají stejný hash.

[Michal Vyskočil]

odstranění překlepů pomocí slovníku

Zrovna google slovníky nepoužívá, protože se snaží psát svoje služby nezávisle na jazyce. I takové "did you mean" není spellchecker jako takový, ale statistická analýza slov

Ovšem porovnávání textů nezávisle na jazyce je docela jednoduché. Stačí srovnat četnost výskytů stejných n-tic slov v obou textech a potom nějakou chytrou funkcí rozhodnout, zda jsou, nebo nejsou stejné. Tam se pár překlepů i změn hravě ztratí a je to rychlé na zpracování.

Je možné, že se tímto způsobem dá i eliminovat rozdílná šablona obou webů. Místo toho, aby se pouze vyhodnotil počet stejných ntic (možná relativně k velikosti dokumentů), mohlo by stačit dávat pozor na jejich vzájemné umístění a porovnat až to.

[mkoubik]

Něco takového google skutečně dělá, pokud by stejný článek napsal i sem, pak by se po naindexování tahle stránka (blog na abclinuxu) objevila ve vyhledávání related:http://blog.milde.cz/programovani/Komprimovane-XML/.

[freshmouse]

Tak to piš tak, že sem prskneš celý text a na konec dáš odkaz na svůj weblog. To nikoho nepoškodí.

[David Heidelberg]

piš dál, mě takový zápisek nijak nevadí... někteří z toho ale může klepnout no... v klidu piš dál

0K!AS

[Dundee5]

Diky za podporu :)

[Robert Krátký]

Tak abych to uvedl na pravou míru: nikdo ti nevyčítá zajímavé psaní. Co je však nepříjemné, to je úryvek z článku ve zdejším blogu, který končí odkazem "zbytek najdete jinde". Nechceš-li psát svůj blog na abclinuxu, ale přesto chceš upozornit na své články, můžeš využít třeba zprávičky. Ale když už si na abclinuxu blog založíš, což samozřejmě čtenáři místních blogů vidí rádi, tak by bylo fajn, kdybys sem dával články celé - ne jen odkazy na blog, který ve skutečnosti vedeš někde úplně jinde.

[Lu-Tze]

Poprosil bych administrátory a další "oficiály", aby nebyly tak agresivní a neviděli hned ve všem zlý úmysl. Výsledkem jejich přehnaného konání je, že ublíží člověku, který jen udělal obyčejnou nezáludnou a neúmyslnou chybu. Viz "problém" s okiasem. To mi přišlo až jako šikana a hon na čarodějnice.

[Robert Krátký]

Je pravda, že se občas lidi do někoho dost pustí, ale rád bych podotkl, že v této diskuzi ani já, ani Zdeněk nevystupujeme coby admini.

[Lu-Tze]

No dobře, ale nevšiml jsem si, že by sem třeba Zdeněk poslední dobou napsal jiný komentář než "netapetuj" atp. Všichni chceme, aby blogy měli co nejlepší úroveň, já vedu svůj marný boj proti lidem, co blogy zneužívají ke kladení otázek, které by patřily spíše do poradny. Ale je prostě rozdíl, když něco řekne buránek Ignor a člověk široce respektovaný. Ten druhý případ navíc způsobí to, že se odvážou i ti, kteří by jinak byli zticha, mají přece pravdu, když to říká i Mr. X.

[Lu-Tze]

buránek píšící s hrubkama

[Zdeněk Burda]

Nezlobte se pane vedoucí, příště se polepším a nebudu psát Dundeemu5 a okiasovi takové nepříjemné věci...

[Lu-Tze]

Nepamatuju si, že bys něco psal okiasovi, ale když to přiznáváš

Tvůj Vedoucí

[pavlix]

No... vystupujete jako to, pod čím vás ostatní znaj.

Tohle si myslím, že bylo zbytečný prudění, na poprvý to snad stačilo říct jemněji, ne? Taky byste mohli odradit potenciálně zajímavé autory. Přečtou si blogpost na ábíčku, přečtou si komentáře... a radši nic nenapíšou.

[Luboš Doležel (Doli)]

Přečtou si blogpost na ábíčku, přečtou si komentáře... a radši nic nenapíšou.

Tak takový člověk by musel být nesoudný blázen Každý rozumný člověk uvidí, co se kritizuje, a pochopí to.

[David Heidelberg]

+1