爬虫如何识别网页的正文部分？

比如写一个python爬虫去抓百度搜索结果列表中的网页数据， 然后从这些网页中提取出正文部分（比如新闻资讯的文章部分），是否可以实现？能实现的话应该如何去做？

百度新闻中，每条信息都会显示有多少条重复数据，这个应该是百度抓取的每个页面的正文部分吧。所以这个功能是可能实现的。

抓回一个页面的数据，如何匹配出正文部分，郑晓在下班路上想了个思路是：

1. 提取出body标签部分–>剔除所有链接–>剔除所有script、注释–>剔除所有空白标签(包括标签内不含中文的)–>获取结果。

2. 直接匹配出非链接的、 符合在div、p、h标签中的中文部分？？？

还是会有不少其它多余信息啊，比如底部信息等。。 如何搞？不知道大家有木有什么思路或建议？