对于互联网上纷繁错杂的信息，“取其精华，去其糟粕”已成为我们处理信息的准则。同样的道理，单是一个网页，其元素也错综复杂。对于网页上的文章，倘若需要抓取而递交程序或脚本处理，大多数情况下——比如编写一个抓取任意博客文章制成电子书的程序——我们只需要它的正文部分。但从层层叠叠的HTML骨架中提取出最核心…