我正在对一堆登陆页面进行比较。我正试图拉出主标题和号召性用语，但当然页面的HTML格式变化很大。
我开始寻找H1，H2等，假设标题标签对应于首要位置，但通常情况并非如此。渲染的font-size *可能是一个更好的指标，但是这看起来很混乱，并且不会处理使用带有alt标签的图像的情况。
使用Nokogiri识别100个野生着陆页的主标题有什么好的策略？
*另外 - 是否有一个聪明的渲染字体大小的选择器？
答案 0 :(得分：2)
除非你的AI运行可以确定文档中语义最重要的部分，否则你不能这样做。
您不能指望标记，例如标题或元标记，因为这些标记可能完全丢失。
你不能指望源中的位置，因为CSS可以在任何地方移动。
而且，即使你认为你已经通过查看CSS来固定它，JavaScript也可以从你那里扯下那个现实，因为它可以覆盖所有东西，依赖于它需要人类的眼睛和大脑来理解最终呈现的页面。
所以，基本上，你将主要在黑暗中拍摄，除非你有能够理解页面内容的代码，并确定一个单词出现的频率，以及它的同义词和它们的根词，然后确定 CSS和JavaScript运行后，它们在页面上的位置。
很多大公司都花了很多钱，这真是一项艰巨的任务。