网站优化注意：网页正文提取算法细节问题 (2)

　　问题：有若干段儿html文本块，去掉大多数为超链接的文本块思路：先算出每个文本块中所有汉字的数量，再算出每个文本块中被<a>标签包围的汉字数量，如果这两个值的比例大于某个阈值，就删除这个文本块以上几个文本解决后，网页的正文提取就能做的差不多了，最起码有百分之七八十的正确率吧。大家有兴趣和我一起解决哦，呵呵呵。