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