Algo consistant à enlever ce qui pollue (pubs notamment), puis à trouver l'élément DOM qui a le plus d'éléments genre "Paragraphe". Grosso modo on compte le nombre de caractères par paragraphe, et on trouve l'élément qui a le plus de paragraphes qui sont les plus longs : ça de bonnes chances d'être le contenu.
Et en plus : des règles spécifiques qui peuvent indiquer où est le contenu genre div id="content" etc. Readability intègre aussi une DB de règles spécifiques aux sites où ça marche pas bien.
[^] # Re: Mode lecture
Posté par BohwaZ (site web personnel, Mastodon) . En réponse à la dépêche Firefox & Thunderbird 16 sont sortis. Évalué à 5.
Algo consistant à enlever ce qui pollue (pubs notamment), puis à trouver l'élément DOM qui a le plus d'éléments genre "Paragraphe". Grosso modo on compte le nombre de caractères par paragraphe, et on trouve l'élément qui a le plus de paragraphes qui sont les plus longs : ça de bonnes chances d'être le contenu.
Et en plus : des règles spécifiques qui peuvent indiquer où est le contenu genre div id="content" etc. Readability intègre aussi une DB de règles spécifiques aux sites où ça marche pas bien.
Quelques pistes ici : http://tomazkovacic.com/blog/14/extracting-article-text-from-html-documents/
« Je vois bien à quels excès peut conduire une démocratie d'opinion débridée, je le vis tous les jours. » (Nicolas Sarkozy)