如何确定文档是否为文章？

说我有X文件什么算法/库/ tika配置/ nekohtml过滤器会告诉我哪些是“文章”，哪些不是，并且对于那些给我文章文本（即没有其他周围文本） ）。 通过一篇文章，我的意思是结构化文本至少包含一个段落，我认为大多数人类读者可以过滤掉这些。 我想到的最简单的方法是确保doclength> Y，其中Y例如是350个单词。 但这不是最可靠的方法，因为例如可能有很长的列表，并且它没有给我文章文本。 寻找标签，还不够好。