[發明專利]從網頁中提取圖片的方法、裝置及客戶端設備

有效

• 申請號: 201310294425.3
• 申請日: 2013-07-12
• 公開（公告）號: CN104281629B
• 公開（公告）日: 2018-12-21
• 發明（設計）人: 張凱宏;徐鳴
• 申請（專利權）人: 珠海豹好玩科技有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 許靜;黃燦

1.一種從網頁中提取圖片的方法，其特征在于，包括：

步驟a：獲取所述網頁的源代碼，根據所述源代碼獲取所述網頁的實質內容；

步驟c：確定所述實質內容中的段落的重要程度，確定包含有圖片的所述段落中重要程度最高的段落，并將所述重要程度最高的段落中的圖片確定為待提取的目標圖片；

步驟d：獲取所述目標圖片，以將所述目標圖片展示給用戶，使得所述用戶能夠在未打開所述網頁時通過查看所述目標圖片了解所述網頁的內容；

所述步驟c中確定所述實質內容中的段落的重要程度包括：

獲取每個所述段落的重要程度計算參數，所述重要程度計算參數包括以下參數的至少一種：

所述段落與網頁的吻合度、所述段落的關鍵詞密度、所述段落的字數、所述段落的字數與所述網頁的實質內容的字數的比率；

根據每個所述段落的重要程度計算參數和所述重要程度計算參數對應的權重，將每個重要程度計算參數與其相應的權重相乘后再求和，得到每個所述段落的重要程度。

2.根據權利要求1所述的方法，其特征在于，所述步驟a之后，所述步驟c之前，所述方法還包括：

步驟b：根據所述獲取的所述網頁的實質內容，確定所述實質內容中的段落中相鄰段落的相關度，根據所述確定的相鄰段落的相關度對所述網頁的實質內容中的段落進行合并處理，所述合并處理后，所述網頁的實質內容中的段落包括合并段落和未合并段落；

所述步驟c中確定所述實質內容中的段落的重要程度包括：

確定所述合并段落和未合并段落的重要程度；或者

確定所述合并段落和未合并段落中包含有圖片的段落的重要程度。

3.根據權利要求2所述的方法，其特征在于，所述步驟b中根據所述獲取的所述網頁的實質內容，確定所述實質內容中的段落中相鄰段落的相關度包括：

根據所述獲取的所述網頁的實質內容，將所述網頁的實質內容中每個段落的文字拆分為多個詞語，并對拆分后的詞語進行過濾，去除其中的干擾詞，并統計剩余的非干擾詞的詞頻，所述詞頻為所述非干擾詞在所述段落中出現的次數；

根據每個所述段落中的非干擾詞及非干擾詞的詞頻，確定所述實質內容中的段落中相鄰段落的相關度。

4.根據權利要求3所述的從網頁中提取圖片的方法，其特征在于，所述根據每個段落中的非干擾詞及非干擾詞的詞頻，確定所述實質內容中的段落中相鄰段落的相關度包括：

按照相鄰段落中第一個段落的非干擾詞的詞頻建立第一向量，按照相鄰段落中第二個段落的非干擾詞的詞頻建立第二向量，所述第一個段落和第二個段落相同的非干擾詞分別位于所述第一向量和第二向量的相同位置；

計算所述第一向量和第二向量的夾角的余弦值，并將該余弦值作為所述相鄰段落的相關度；

所述步驟b中根據所述確定的相鄰段落的相關度對所述網頁的實質內容中的段落進行合并處理包括：

當所述相鄰段落的相關度大于設定的第二閾值時，將所述第一個段落和所述第二個段落合并，得到一個合并段落。

5.根據權利要求1所述的方法，其特征在于，所述步驟a包括：

獲取網頁的源代碼，根據源代碼獲取所述網頁的整個內容，所述整個內容包括html標簽、屬性、注釋、腳本、級聯樣式表樣式、文字和圖片中的至少一種；

對整個所述網頁內容進行分析，刪除不相干的內容，得到網頁的實質內容，所述不相干的內容包括html標簽、屬性、注釋、腳本和級聯樣式表樣式。

6.根據權利要求1所述的從網頁中提取圖片的方法，其特征在于，

所述重要程度計算參數包括所述段落與網頁的吻合度、所述段落的關鍵詞密度和所述段落的字數；

所述段落與網頁的吻合度的權重、所述段落的關鍵詞密度的權重和所述段落的字數的權重的比值為3:1:0.2至5:2:0.5。