解析Html生成标签树（前言）

　　提示：

　　根据这几天的访问量跟踪，我发现很多访者都没有很好地关注到真正进行算法描述的章节《解析Html生成标签树（一）》，特此进行提示。

　　搜索引擎一个最重要的步骤就是，获得网页的正文内容，我相信每个人看见一篇网页的时候，从视觉上都很容易知道哪个部分是正文内容，哪个部分是版权信息，哪个部分是广告信息。但是要让计算机明白这些，估计要若干年（到时候还不知道人类是否已经变异成4只眼睛，5个耳朵。。。）之后。

　　 在网络上大量存在一些关于网页正文抽取的理论性文章，最著名的应该数介绍北大天网的《搜索引擎原理技术与系统》一书中所介绍的网页净化技术了，中心思想大概就是，首先将Html源文件解析成一棵以Html标签为节点的树（为了后面的描述方便，我们称其为“Html树”），然后再根据一定的启发式规则进行判断，当然各位可以具体去找这书来看看。所以很多的都是参考这种方式来实现。遗憾的是我没有找到源代码，并且我也不擅长Linux编程，所以即使拿到代码，估计也会头痛很久（看不懂啊）。怎么办呢？Baidu以后Google，Google以后Baidu。我都不知道为了这个事情，向这两家贡献了多少流量啊，估计他们应该给我发奖金。但是我都没有找到自己想要的代码。。。据说有一个名叫HtmlParser的家伙可以做这东西。但是我下载了一个以后（后来证明应该不是正宗的，在一个老外写的Spider中有这么几个类http://www.codeproject.com上下载的）发现不是我想要的，虽然可以很好的解析出里面的超级链接之类的东西。所以最终确定不能用，最多只能作为学习例子进行研究。

　　 估计HtmlParser应该是可以实现，但是我人懒，没有找到使用这东西的可执行文件，最主要的是我根本就还没有下载到HtmlParser工具包。我最喜欢的是能够先看效果，然后研究，因为我没有太多的时间来研究老外写的代码，说实在话，我的代码有点自己的风格，但是老外的代码有时候也是很难读懂的，这点“要向老外学习”。