Phép đo ·
Đo cái gì, trên dữ liệu nào, và kết quả ra sao
Đã thử trên 512 trang: 109 trang so sánh trực tiếp với ba công cụ trích xuất khác, và 403 trang chỉ với lõi của chúng tôi. Không có lỗi sập, và không còn thẻ HTML sót lại trong bất kỳ bài viết nào được trích xuất. Bộ dữ liệu và các script sẽ được công bố cùng lượt đo tiếp theo; cho tới lúc đó, trang này là bản ghi đầy đủ về những gì đã chạy và kết quả thu được.
Lượt một: 109 trang, bốn công cụ so sánh trực tiếp
Bộ dữ liệu là một trăm trang web được truy cập nhiều nhất thế giới và một trăm trang được truy cập nhiều nhất ở Nga. Các tên miền không phải nội dung (ứng dụng nhắn tin, ngân hàng, dịch vụ phát trực tuyến, cổng thông tin chính phủ) được loại từ trước. Các trang được chụp bằng trình duyệt thật, đi theo một liên kết nội dung từ trang chủ nếu có.
Bốn công cụ chạy trên cùng 109 trang đã chụp: Defuddle 0.19.3 với Turndown 7.2.4 (lõi của Obsidian Web Clipper chính thức), Mozilla Readability 0.6.0 với cùng Turndown (lõi của MarkDownload), MarkSnip 5.2.0 – mã thật đang phát hành, giải nén từ bản trên Chrome Web Store – và Clean Web Clipper 0.1.0.
| Chỉ số | Defuddle 0.19.3 | Mozilla Readability 0.6.0 | MarkSnip 5.2.0 | Clean Web Clipper 0.1.0 |
|---|---|---|---|---|
| Trang | 109 | 107 | 107 | 109 |
| Lỗi sập | 0 | 2 | 2 | 0 |
| HTML sót lại | 532 | 718 | 2 | 0 |
| Dòng menu lặp lại | 491 | 282 | 478 | 102 |
| Tỷ lệ dòng ngắn | 0.278 | 0.262 | 0.263 | 0.221 |
| Tìm được tác giả | 23 | 27 | 28 | 28 |
| Tìm được ngày đăng | 28 | 13 | 13 | 24 |
| Bảng trích xuất được (trên 56) | 3 | 8 | 11 | 5 |
| Tỷ lệ văn bản hữu ích | 0.878 | 0.931 | 0.934 | 0.890 |
Clean Web Clipper còn thua ở đâu
- Bảng: 5 so với 11 của MarkSnip. 41 trong 56 bảng nguồn nằm trên một trang duy nhất và là bảng dàn trang chứ không phải nội dung, thứ không công cụ nào nên trích xuất; khoảng cách thật là một vài trang mà cách chọn khối gốc của chúng tôi lấy một khối quá hẹp.
- Tỷ lệ văn bản hữu ích: 0,890 so với 0,934. Một phần là cố ý – nó từ chối các trang tin mà công cụ khác vẫn trả về – và một phần do cùng lỗi chọn khối gốc quá hẹp.
- Ngày đăng: 24 so với 28 của Defuddle.
- Tác giả: ngang với công cụ tốt nhất, 28 so với 28 của MarkSnip, sau khi phần trích xuất tác giả được làm lại. Ở lần chấm điểm đầu tiên trên bộ dữ liệu này, con số là 20.
Lượt hai: 403 trang bằng mười hai ngôn ngữ châu Âu, chỉ lõi của chúng tôi
Năm mươi trang web hàng đầu ở mỗi nước trong mười hai nước, chụp bằng trình duyệt đặt ngôn ngữ của nước đó, vì nếu không, một nửa trong số đó trả về trang tiếng Anh và phép đo sẽ đo một thứ khác.
152 trong 403 trang trả lời “không có bài viết”: trang cửa hàng, trang chủ cổng thông tin và trang tin, nơi không có bài viết nào để trích xuất. Câu trả lời đó là cố ý, và đó là lý do các trang này được tính là đã thử chứ không phải đã trích xuất.
| Ngôn ngữ | Trang | Lỗi sập | HTML sót lại | Tỷ lệ liên kết |
|---|---|---|---|---|
| Tiếng Đức | 40 | 0 | 0 | 0.058 |
| Tiếng Pháp | 39 | 0 | 0 | 0.050 |
| Tiếng Tây Ban Nha | 40 | 0 | 0 | 0.060 |
| Tiếng Ý | 40 | 0 | 0 | 0.036 |
| Tiếng Ba Lan | 30 | 0 | 0 | 0.064 |
| Tiếng Bồ Đào Nha | 36 | 0 | 0 | 0.060 |
| Tiếng Hà Lan | 37 | 0 | 0 | 0.049 |
| Tiếng Thổ Nhĩ Kỳ | 31 | 0 | 0 | 0.042 |
| Tiếng Ukraina | 13 | 0 | 0 | 0.054 |
| Tiếng Séc | 28 | 0 | 0 | 0.039 |
| Tiếng Thụy Điển | 28 | 0 | 0 | 0.036 |
| Tiếng Romania | 41 | 0 | 0 | 0.039 |
Thời gian cho mỗi bản trích: 4 phút 38 giây
Bộ đếm trên lessroutinemorelife.com tính mỗi bản trích là 4 phút 38 giây. Thời gian này do chủ sở hữu tự đo bằng tay trên hơn 1.000 trang nội dung đa dạng: sao chép văn bản, dán, dọn dẹp, thêm tiêu đề và nguồn, rồi kiểm tra mã HTML sót lại. Cả giá trị trung bình và trung vị đều đã được tính.
Vì vậy bộ đếm là số bản trích nhân với thời gian đó, không phải tổng thời gian bấm giờ cho từng bản trích. Nó không đo việc một bản trích cụ thể lẽ ra sẽ tốn của bạn bao lâu.
Các con số có nghĩa gì
- Lỗi sập – công cụ gặp lỗi trên trang và không trả về gì. Một lượt chạy không có lỗi sập vẫn có thể đầy menu; đó là điều các hàng khác đo.
- Thẻ HTML sót lại – bao nhiêu mã đánh dấu thô còn sót trong Markdown. Bất cứ con số nào lớn hơn không đều là lỗi.
- Dòng menu lặp lại – các dòng dài hơn mười hai ký tự xuất hiện nhiều hơn một lần. Đây là thanh điều hướng lặp lại ở mỗi mục.
- Tỷ lệ dòng ngắn – tỷ lệ các dòng dưới hai mươi lăm ký tự. Cao nghĩa là danh sách liên kết bị kéo theo chứ không phải văn bản.
- Tỷ lệ liên kết – tỷ lệ ký tự nằm trong nhãn liên kết. Cao nghĩa là menu đã bị kéo theo.
- “Không có bài viết” – trang không có phần thân bài viết, nên tiện ích nói rõ thay vì trả về liên kết. Đó không phải lỗi sập, cũng không phải bản trích.
Giới hạn thật của phép đo này
- Mẫu tiếng Ukraina có 13 trang, không phải 40 – phần lớn bộ dữ liệu không phản hồi từ vị trí chụp. Hãy xem hàng đó chỉ mang tính tham khảo.
- Danh sách năm mươi trang hàng đầu của Thổ Nhĩ Kỳ và Séc nghiêng về cửa hàng và lịch trình, những trang hoàn toàn không có ngày đăng. Đó là đặc điểm của bộ dữ liệu chứ không phải của việc trích xuất.
- Các công cụ cạnh tranh chỉ chạy trên bộ dữ liệu đầu tiên. Lượt đo châu Âu chỉ đo Clean Web Clipper.
- Các trang mà mọi công cụ đều trả về dưới 500 ký tự đã bị loại – đó là captcha hoặc bị chặn, không phải chất lượng trích xuất.
- Cả hai lượt đo đều là ảnh chụp các trang web đang hoạt động vào cuối tháng 8 năm 2026. Chạy lại cùng các script sau này sẽ cho con số hơi khác vì các trang đó thay đổi.