Python之由公司名推算出公司官网

读大学时期写的博文

1.问题

对展会数据分类后，我的新任务是如何通过 等海关数据推断出该公司的官网网站（若官网不存在则不考虑） 以下数据仅供参考：

需要得到结果：

2.解决

由数据可看出，公司名是绝对存在的，故解决思路是从公司名出发，而不怎么全面的国家以及地址信息则用来提高准确度。

大体思路是这样的，若公司官网存在，那么通过搜索引擎定会被检索到，搜索引擎自然首选 ，所以可以先通过获取谷歌搜索的结果，然后分析获取的结果，从而得出最可能是该公司网站的 。 初步搜索一下，看看各种情况：

第一种情况，检索即可很直观地得出结果

第二种情况，检索不能直观地得出结果，但官网确实存在（第二检索个结果）

第三种情况，输入公司名+公司地址和只输入公司名得出的结果不一样

对于第三种情况，可以看出输入公司名+公司地址得出的结果是绝对正确的。

观察第三种情况，当输入公司名+公司地址时，返回结果的右侧会出现公司的详细信息，经过验证，若出现这种情况，则其 对应的 绝对正确。

故代码的第一步骤可以首先检索公司名+公司地址，观察 元素是否存在，若存在，返回公司官网，否则，对公司名进行检索，代码如下：

能直接获取公司官网毕竟是少数，大多数据还是要通过一步步计算得出，主要经过以下步骤：

获取搜索引擎检索结果提取url

初步排除某些url

余弦相似度计算最可能的结果

2.1.获取搜索引擎检索结果提取url

对于谷歌搜索，我使用了 的项目google，毕竟在国内，为了以防万一我也写了 搜索，代码如下：

2.2.初步排除某些url

这个可根据个人需求来配置，可添加 脚本，排除某些 :

以公司名 为例，初步获取url：

2.3.余弦相似度计算最可能的结果

对于公司 ，我们获得了三个结果，现在又该如何从该列表中取得最可能的结果呢。

这里可以采用余弦相似度，具体公式可google，稍稍解释下，对于这三个网站：

2.3.2：构建单词向量

2.3.3:计算余弦相似度

通过比较，可以看到 相似度最高的结果，跟真实结果一样。

全部步骤代码如下：

计算余弦相似度代码

3.总结

至此，若有更好的解决方案，欢迎赐教，谢谢。