前情提要
在蹭 李建伟 老师的 操作系统 课的时候，有一天他突然问起谁会 HTML ，我当然义不容辞的举手了。所以才有了一切的一切。
他带的研究生正在做一个关于医学的 APP 的课题，需要数据处理，而整个项目的难点在于： 所有的文献是从不同的网站上保存下来的，所以文件的格式不尽相同。
解决方案一
一开始我认为，正则表达式是可以解决这个问题的。但经过多次调试发现次法并不好用。所以我咨询了正在教我们课的老师 Dr. Giovanni ，然后他的答复让我真正的省去了很多的麻烦。
解决方案二
Dr. Giovanni 让我使用一个 Python 库，名为 BeautifulSoup 。这个库十分强大，可直接分析 HTML 语句，并且查找也十分方便。
有了工具，剩下的当然是算法了。这种问题当然还是使用一个 DFS 来做。我的第一个念头就是 如果一个 DIV 下面有 5 个以上的 P 标签，那么基本可以判断为所求段落。
这就是 BETA 的版本，相当的简单。
一开始这个办法还是挺好使的，但是后来应对他给我的将近 100 个文件的时候，效果并不是很理想，但还是说的过去，我就先把 BETA 版给了老师。
解决方案三
结果当然是不理想的。
后来老师又找我，让我再改改。其实并没什么难的，我早就想到了，其实加几个特判就好了。
但其实还是挺费时间的，我大概加到凌晨两点多，加了没几个，主要还是第一个调试的时间长，后来几个就简单了。
这次运行下来，效果还可以。命名为 VERSION 1.0 。
改进
说到改进还是有的。
- VERSION 1.0 的版本，增加了对图片的支持，即图片直接生成网页。
- 包括以后可能会支持 PDF 格式的文件。
- 取消了打印文件名称，虽然看着爽，但是有时候字符会出错，导致程序整体出错。
问题
其实这个算法还是相当有问题的：
- 如果抓取网页的标签嵌套有问题的话，解析器会发生问题，然后只抓取前半部分。
- 特判又时并不准确。
- BETA 版的算法还是不太好用。
- 字符编码问题，导致文件无法打开。
希望大家如果有好的方法，请邮箱告诉我：zhfanrui#outlook.com
