这更像是一个网络抓取问题。有哪些公认的方法可以自动确定 a<table>是用于布局还是用于您以前从未见过的 HTML 文档中的数据？
我希望能够将任何 HTML 文件作为字符串传递到某个函数中，该函数会吐出 HTML 页面中的所有数据表，但忽略纯粹用于布局的表。但是像http://news.ycombinator.com/newcomments这样的网站使用 HTML 表格进行布局，这很棘手。
此函数不应该针对任何特定网站的 DOM 结构进行定制，因此它应该适用于任何 HTML 字符串（或具有尽可能高的成功率）。
多年来人们是否有任何算法/检查可以区分布局和数据表？这应该是可能的，这只是写下所有变量和试错的问题——我想很多人已经在某个地方制定了计划。
我不一定需要这个功能（虽然这很棒，但我想它需要很多微调）。只是在寻找一些尝试过的策略。
更新
这是一个好的开始（感谢@JaredFarrish）：
- 一种基于机器学习的网络表检测方法
- 关键词：表格检测、布局分析、机器学习、决策树、支持向量机、信息检索