Nokogiri在頁面上識別最大文本的策略？

Question

我正在做一堆野外着陸頁的比較。我試圖拉出主標題和行動號召，但當然HTML頁面的格式變化很大。

我開始尋找H1，H2等，假設標題標籤對應於首要性，但通常情況並非如此。渲染字體大小*可能是一個更好的指標，但是這看起來很混亂，並且不會處理使用帶alt標記的圖像的情況。

使用Nokogiri確定100個野外着陸頁的主標題有什麼好方法？

*另外 - 是否有一個聰明的選擇器呈現字體大小？

Answer 1

除非您有一個可以確定文檔中語義上最重要的部分的AI，否則無法做到這一點。

你不能指望標籤，比如標題或元標籤，因爲這些標籤可能完全缺失。

你不能指望源代碼中的位置，因爲CSS可以在任何地方移動東西。

而且，即使您認爲您已經通過查看CSS來釘住它，JavaScript也可以從您那裏擷取現實，因爲它可以覆蓋所有內容，依靠人類眼睛和大腦有意義的事實最終呈現的頁面。

所以，基本上，你將主要在黑暗中拍攝，除非你有能夠理解頁面內容的代碼，並確定一個單詞出現的頻率以及它的同義詞和它的根詞，然後在之後確定他們在頁面上的位置已經運行了CSS和JavaScript。

許多大公司花費大量資金確實是一項艱鉅的任務。