我可以用什么算法来识别网页上的内容 [英] What algorithms could I use to identify content on a web page

问题描述

我装了在浏览器中（即它的DOM和元素的定位都可以访问到我）一个网页，我想找到块元素（或这些元素的排序列表），其中可能包含了大多数内容（如在文本中的连续块）。我们的目标是要排除的东西，如菜单，页眉，页脚以及这样

I have a web page loaded up in the browser (i.e. its DOM and element positioning are both accessible to me) and I want to find the block element (or a sorted list of these elements), which likely contains the most content (as in a continuous block of text). The goal is to exclude things like menus, headers, footers and such.

推荐答案

这是我个人最喜欢的：的 VIPS：基于视觉的页面分割算法

This is my personal favorite: VIPS: a Vision-based Page Segmentation Algorithm

这篇关于我可以用什么算法来识别网页上的内容的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！