网页标签清洗

Question

希望大佬能指点一二，小弟不胜感激关于网页标签的清洗，在计算网页相似度的时候，哪些标签是可以过滤的，在这段代码生成的结果中class Structure(HTMLParser):    '''    pass    '''    def extract(self, html):        self.tmp = []        tag = ['script','style']         result = []        self.tagstack = []        self.feed(html)        for a in self.tmp:            if a.split('/')[-1] not in tag:                result.append(a)        return result    def handle_starttag(self, tag, attrs):        self.tagstack.append(tag)    def handle_endtag(self, tag):        self.tagstack.pop()    def handle_data(self, data):        t = ''        if data.strip():            for tag in self.tagstack:                t = t + '/' + tag            self.tmp.append(t)用这个网页生成的结果举例，过滤/span/p结尾的标签，如果是其他的网页是不是也可以这么过滤，如果不是的话该怎么过滤，是不是还得考虑标签属性？补充：计算的是网页结构相似度，不考虑正文相似度