我正在编写一个程序，读取一般的HTML"文章"页面(维基百科，纽约时报，雅虎新闻等)。从那个页面，我想去掉所有的"噪音"(广告，标题栏…任何不属于文章内容的内容。)换句话说，我想保留最重要的东西。(主要内容、标题、作者)
我想想出一个聪明的方法来找到一篇文章的主要内容。我有一些想法，但它们不是我想要的。我不想解析DOM中的每个节点。我目前的想法是使用元素的大小。
任何想法都很感激。从本质上讲，这是一个设计问题。
谢谢。
我认为自己设置解析器可能太复杂了。通常是没有语义元素和其他东西的糟糕标记。
你能做的是使用Readability中的Parser API。如果你正在使用NodeJS，你可以做一个http。get请求，如果你在浏览器中使用Javascript，你可以向API发出ajax请求