خوارزمية إستخلاص نص المقالة من الصفحة

نعم صحيح كل صفحة تختلف عن الأخرى، لذا في اعتقادي يتم جلب الصفحة بالكامل ويتم فلترتها وحذف الزوائد عن طريق البحث عن العناصر بالتخمين مكتوبه مسبقاً مثل البحث عن id المقال بهذه الكلمات

article|body|content|entry|hentry|main|page|pagination|post|text|blog|story

أو طريقة ثانية عن طريق تحليل العناصر ومقارنتها ببعضها البعض أي العناصر فيها نص أكثر وصور وغيرها يتم أخذه.

هذا والله أعلم.

يمكنك الاستفادة من هذه الروابط