[發(fā)明專利]對網(wǎng)頁文本內(nèi)容進(jìn)行提取的方法和裝置

有效

• 申請?zhí)枺?/td>: 201210573022.8
• 申請日: 2012-12-25
• 公開（公告）號: CN103020266A
• 公開（公告）日: 2013-04-03
• 發(fā)明（設(shè)計(jì)）人: 謝洲為;潘洪學(xué);糜裕峰;任寰
• 申請（專利權(quán)）人: 北京奇虎科技有限公司;奇智軟件（北京）有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京市隆安律師事務(wù)所 11323
• 代理人: 權(quán)鮮枝;齊輝

技術(shù)領(lǐng)域

本發(fā)明涉及網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別涉及一種對網(wǎng)頁文本內(nèi)容進(jìn)行提取的方法和裝置。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的普及，網(wǎng)絡(luò)已經(jīng)成為人們獲取信息的重要途徑之一，網(wǎng)頁中的文本內(nèi)容是信息的主要載體。然而，通常情況下網(wǎng)頁中除了文本內(nèi)容，還包括大量廣告圖片、非文章內(nèi)容等無用信息，嚴(yán)重影響了用戶的閱讀體驗(yàn)。

現(xiàn)有技術(shù)提供的提取網(wǎng)頁文本內(nèi)容的方案中，網(wǎng)頁在瀏覽器中加載完畢后，將網(wǎng)頁中的內(nèi)容進(jìn)行拆分，然后由瀏覽器中的匹配規(guī)則文件對網(wǎng)頁內(nèi)容進(jìn)行定位，抽取出所需的字段內(nèi)容并顯示出來，從而用戶可以看到文本篩選后的網(wǎng)頁，使用戶能夠方便和專注的閱讀。

現(xiàn)有提取網(wǎng)頁文本內(nèi)容的方案中至少存在如下缺陷：

現(xiàn)有方案針對某一預(yù)定網(wǎng)頁結(jié)構(gòu)設(shè)置一匹配規(guī)則文件，該匹配規(guī)則文件僅適用于預(yù)定結(jié)構(gòu)下網(wǎng)頁文本內(nèi)容的提取，然而由于網(wǎng)絡(luò)資源的更新速度非常快，網(wǎng)頁結(jié)構(gòu)會時(shí)常變動(dòng)，則已有的匹配規(guī)則文件將無法對變動(dòng)后的網(wǎng)頁進(jìn)行文本提取，而重新生成新的匹配規(guī)則文件，再將新的匹配規(guī)則文件設(shè)置在瀏覽器中，又導(dǎo)致實(shí)現(xiàn)匹配的操作過于繁瑣，工作量較大、效率低下。

發(fā)明內(nèi)容

鑒于上述問題，提出了本發(fā)明以便提供一種克服上述問題或者至少部分地解決上述問題的對網(wǎng)頁文本內(nèi)容進(jìn)行提取的方法和裝置。

依據(jù)本發(fā)明的一個(gè)方面，本發(fā)明實(shí)施例提供了一種對網(wǎng)頁文本內(nèi)容進(jìn)行提取的方法，包括：在瀏覽器側(cè)預(yù)設(shè)至少一網(wǎng)頁文本內(nèi)容匹配設(shè)置；在瀏覽器側(cè)進(jìn)行網(wǎng)頁內(nèi)容下載；將網(wǎng)頁內(nèi)容分別與網(wǎng)頁文本內(nèi)容匹配設(shè)置進(jìn)行匹配，直至網(wǎng)頁內(nèi)容匹配成功；利用與網(wǎng)頁內(nèi)容匹配成功的網(wǎng)頁文本內(nèi)容匹配設(shè)置，提取網(wǎng)頁內(nèi)容中的網(wǎng)頁文本內(nèi)容。

本發(fā)明另一個(gè)實(shí)施例還提供了一種對網(wǎng)頁文本內(nèi)容可進(jìn)行提取的裝置，包括：匹配設(shè)置配置單元，適于在瀏覽器側(cè)預(yù)設(shè)至少一網(wǎng)頁文本內(nèi)容匹配設(shè)置；下載單元，適于在瀏覽器側(cè)進(jìn)行網(wǎng)頁內(nèi)容下載；匹配單元，適于將網(wǎng)頁內(nèi)容分別與網(wǎng)頁文本內(nèi)容匹配設(shè)置進(jìn)行匹配，直至網(wǎng)頁內(nèi)容匹配成功；提取單元，適于利用與網(wǎng)頁內(nèi)容匹配成功的網(wǎng)頁文本內(nèi)容匹配設(shè)置，提取網(wǎng)頁內(nèi)容中的網(wǎng)頁文本內(nèi)容。

由上所述，本發(fā)明實(shí)施例通過在瀏覽器側(cè)建立多個(gè)網(wǎng)頁文本內(nèi)容匹配設(shè)置，并將同一網(wǎng)頁文本內(nèi)容與多個(gè)網(wǎng)頁文本內(nèi)容匹配設(shè)置進(jìn)行匹配的技術(shù)手段，在網(wǎng)頁內(nèi)容發(fā)生變化時(shí)，能夠從多個(gè)網(wǎng)頁文本內(nèi)容匹配設(shè)置中找到與發(fā)生變化的網(wǎng)頁相匹配的網(wǎng)頁文本內(nèi)容匹配設(shè)置，從而能夠利用匹配成功的網(wǎng)頁文本內(nèi)容匹配設(shè)置提取出網(wǎng)頁文本內(nèi)容。并且，本方案避免了在網(wǎng)頁內(nèi)容變化時(shí)，需要生成新的匹配規(guī)則文件并設(shè)置在瀏覽器中的操作，簡化了實(shí)現(xiàn)匹配的操作，降低了工作量，提高了效率。

上述說明僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說明書的內(nèi)容予以實(shí)施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能夠更明顯易懂，以下特舉本發(fā)明的具體實(shí)施方式。

附圖說明

通過閱讀下文優(yōu)選實(shí)施方式的詳細(xì)描述，各種其他的優(yōu)點(diǎn)和益處對于本領(lǐng)域普通技術(shù)人員將變得清楚明了。附圖僅用于示出優(yōu)選實(shí)施方式的目的，而并不認(rèn)為是對本發(fā)明的限制。而且在整個(gè)附圖中，用相同的參考符號表示相同的部件。在附圖中：

圖1示出了根據(jù)本發(fā)明一個(gè)實(shí)施例的對網(wǎng)頁文本內(nèi)容可進(jìn)行提取的裝置結(jié)構(gòu)示意圖;

圖2示出了根據(jù)本發(fā)明又一個(gè)實(shí)施例的對網(wǎng)頁文本內(nèi)容進(jìn)行提取的方法流程圖。

具體實(shí)施方式

下面將參照附圖更詳細(xì)地描述本公開的示例性實(shí)施例。雖然附圖中顯示了本公開的示例性實(shí)施例，然而應(yīng)當(dāng)理解，可以以各種形式實(shí)現(xiàn)本公開而不應(yīng)被這里闡述的實(shí)施例所限制。相反，提供這些實(shí)施例是為了能夠更透徹地理解本公開，并且能夠?qū)⒈竟_的范圍完整的傳達(dá)給本領(lǐng)域的技術(shù)人員。

本發(fā)明一個(gè)實(shí)施例提供了一種對網(wǎng)頁文本內(nèi)容可進(jìn)行提取的裝置，能夠在保證文本提取速度和穩(wěn)定性的前提下，向用戶提供更加方便和專注的閱讀服務(wù)。參見圖1，該裝置包括匹配設(shè)置配置單元100、下載單元101、匹配單元102、提取單元103、加載控制單元104、過濾單元105、匹配設(shè)置更新單元106、多線程控制單元107、輸入單元108和上傳單元109。下面分別對各單元進(jìn)行說明。