readability-lxml 源码解析（四）：总结

score = (
      class_weight + name_weight + 
      children_comma_count + 1 + min(children_text_len //  , 3)
) / (1 - link_density) 

（1）正文元素，就是只在正文中可能出现的元素，比如<h1>~<h6> <p> <pre> <blockquote>这三个，导航栏什么的绝对不可能有，侧栏也很少出现这些东西。

（2）正文容器，就是包含正文并且不包含正文之外元素的元素。可能是<div> <section> <article> <main>，也可能是<td> <span>什么的（不常见）。我觉得可以只在这里面选，Readability 只是做了加权，并没有对标签名称做硬性限制。

（3）元素和容器的距离，Readability 限制为 2，也就是取正文元素的父节点和祖父节点。我觉得可以制定一套规则，按照距离衰减，比如衰减指数是距离分之一。

（4）ID 和类名是重要的判断依据。这些名称分为正面和负面关键词，正面加权重，负面减权重。并且每一个关键词还分为可能和确定，不过意思正好相反。确定的关键词用于加减权重，可能的关键词用于筛选。例如，可能的正面关键词的标签会保留，而可能的负面关键词标签一定会移除。

但是，在找不到候选标签的情况下，会不移除可能负面关键词再试一次。这块就显得啰嗦和麻烦。比如给确定和可能的关键词指定不同的权重，避免移除某个关键词造成的二次返工。

（5）从公式中可以看出 Readability 还考虑了文本长度，逗号个数和链接密度，用于区分导航和正文。我觉得可以考虑一下文本密度。

（6）Readability 还考虑了候选元素的兄弟也可能是候选，即正文包含在多个<div>的情况。