Evernote的浏览器插件Web Clipper是怎么样找到页面中的正文区域的
我刚好做过这种功能的东西，要找出网页内的所有节点，然后根据其各方面特征对其正文节点的可能性进行评分，1、可视面积大于300x50像素，加分（服务端分析时，无法获知页面元素尺寸，此步可省略）2、className或id为header|foot|sidebar…减分3、className或id包含content…加分4、子节点中纯文本节点多的，加分5、有大图片，有多个大图片，加分6、innerText长度大于150，内含逗号，句号多的， 加分（此步骤最有参考价值）然后评分最高的节点即为正文节点，如果页面HTML结构规范，页面有正文区，并且正文内容不是太短，通过以上特征检查找出正文区的可能性是相当大的，准确率99%。清理一下格式后，可以通过在页面内构建表单把正文内容提交到服务器上
■网友
原理上@王朝 说的就是对的——废话人家自己做过。就是把各个 html 元素都拿来审视一下，打一个分，然后分高的留下低的去掉。我补充一点，其实也不是我的知识，是我看过的代码里的：关于 class name 和 id 的判断，可以用一系列正则表达式匹配，最终给出一个是否是正文的可能性，比如下面这段代码：/** * All of the regular expressions in use within readability. * Defined up here so we don\u0026#39;t instantiate them repeatedly in loops. **/regexps: {\tunlikelyCandidates: /combx|comment|community|disqus|extra|foot|header|menu|remark|rss|shoutbox|sidebar|sponsor|ad-break|agegate|pagination|pager|popup/i,\tokMaybeItsACandidate: /and|article|body|column|main|shadow/i,\tpositive: /article|body|content|entry|hentry|main|page|pagination|post|text|blog|story/i,\tnegative: /combx|comment|com-|contact|foot|footer|footnote|masthead|media|meta|outbrain|promo|related|scroll|shoutbox|sidebar|sponsor|shopping|tags|tool|widget/i,\textraneous: /print|archive|comment|discuss|e?mail|share|reply|all|login|sign|single/i,\tdivToPElements: /\u0026lt;(a|blockquote|dl|div|img|ol|p|pre|table|ul)/i,\treplaceBrs: /(\u0026lt;br*\u0026gt;*){2,}/gi,\treplaceFonts: /\u0026lt;(\\/?)font*\u0026gt;/gi,\ttrim: /^\\s+|\\s+$/g,\tnormalize: /\\s{2,}/g,\tkillBreaks: /(\u0026lt;br\\s*\\/?\u0026gt;(\\s|\u0026amp;nbsp;?)*){1,}/g,\tvideos: /http:\\/\\/(www\\.)?(youtube|vimeo)\\.com/i,\tskipFootnoteLink: /^\\s*(\\{1,2}\\]?|^|edit|citation needed)\\s*$/i,\tnextLink: /(next|weiter|continue|\u0026gt;(|$)|?(|$))/i, // Match: next, continue, \u0026gt;, \u0026gt;\u0026gt;, ? but not \u0026gt;|, ?| as those usually mean last.\tprevLink: /(prev|earl|old|new|\u0026lt;|?)/i},注意上面代码中的几个键的名称，顾名思义就知道什么意思了吧？再看看后面的正则表达式，就很明了了。最后给出上面代码的源文件，这是识别正文的 js 库，叫做 readablility.js，我试用过基于它开发的 chrome 扩展 Super Full Feeds for Google Reader，实际效果不错，如果直接使用的话，一是请注意版权，二是，国内的某些网页使用的 class 和 id 未必是正宗英语，你可能要自己优化一下。
推荐阅读
- 浏览器预下载，没人觉得是一个安全隐患吗
- 浏览器突然上不了百度
- 为啥手机端的浏览器安装包有的达二十多M，而有的只有几M
- 有没有首页上不自动刷新热门和新闻的手机浏览器推荐
- 1、相同的网址，为啥浏览器http和https都能登录，而爬虫不行\n2、网页下载内容不全
- 花瓣网和 Pinterest 在使用上有啥不同，Pinterest 采集工具咋添加到浏览器上
- Evernote 本地笔记有哪些应用技巧
- 有啥网页适合当做浏览器首页
- 你的苹果手机是怎样做到不升级的
- 浏览器自动弹出一号店广告咋整啊……