这两天研究baidu和google的新闻摘取，觉得他们的思路应该是这样的：在页面中开始出现大段中文的地方，就是新闻开始，摘取新闻的时候把新闻内容中的html链接全部去掉，google更进一步，把两个html标记之间较短的内容也去掉，只保留大段的文字，这样基本上排版就好看很多了。

问题来了：
判断“大段”中文，大家有没有好的方法？