一些浏览器插件，例如可读性，可以从网页中提取“文章”。有谁知道如何做到这一点？真正的文章和广告或评论有什么区别？
问问题
900 次
1 回答
1
好吧，这取决于您要如何定义“真实文章”...
考虑到 HTML5，网页是由语义标签构成的。页面不再需要使用<div>完全没有语义意义的元素来构建。在 HTML5中，您可以使用<section>,<article>等<header> 。这些元素可以让应用程序很好地了解网页的主要内容是什么（例如 print<article>和 skip <nav>......）
当然，目前还没有多少页面使用这些标签。此外，标签可能会被滥用并失去其意义。在那种情况下，我会坚持一些统计数据，例如选择 HTML 文档中最大的元素。此外，如果您必须抓取网页，您可以使用一些模式匹配算法的修改，例如 DIPRE。
于 2012-09-13T19:16:51.693 回答