1．   如何在只下首页，或者说下载尽可能少的页面，收集全中文网站列表？

当前我已收集300万顶级域名，其中大致为中文网站的有50万-60万，距离CNNIC公布的中文网站76万的目标还有近20万的差距。

2．   如何根据下载的首页数据，准确判断一个网站是否为中文网站？

除了从cn域名，charset，汉字比例等判断因素外，还能通过什么规则或方法实施更准确的判断？