剪藏插件很多情况下对正文的层的猜测很准，而网页多种多样，它是怎么猜测的呢？
目前想到可能的方法：
找到一级或二级最多三级的标签，然后计算他们的大小，选尺寸最大的作为正文层
目前想到可能的方法：
找到一级或二级最多三级的标签，然后计算他们的大小，选尺寸最大的作为正文层
This topic created in 4889 days ago, the information mentioned may be changed or developed.
 |
1
基于行块分布函数的通用网页正文抽取：线性时间、不建DOM树、与HTML标签无关
https://code.google.com/p/cx-extractor/ |
2 |
luinJun 21, 2013
4
|
 |
5
基于块的文本密度目前应该比较好的算法，楼主可以先了解下这方面的知识，你猜测的那个方法也差别太大了。
|
 |
6
|
|
7
@BeijingBaby 多谢，我看过这个算法了，可貌似它只适用于提取网页中的正文文字信息；但我的需求可能还包括flash等信息，我需要的是整个标签的html内容
|
Select Language