[發明專利]網頁主圖提取方法及裝置

有效

• 申請號: 201410346226.7
• 申請日: 2014-07-21
• 公開（公告）號: CN104123363B
• 公開（公告）日: 2018-07-13
• 發明（設計）人: 陳華清;許晟
• 申請（專利權）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: 工業和信息化部電子專利中心 11010
• 代理人: 秦瑩

1.一種網頁主圖提取方法，其特征在于，包括：

獲取網頁的HTML文本，對所述HTML文本進行模擬排版展示，并獲取所述網頁中每個HTML元素的視覺信息；

將所述HTML文本以塊信息為單位進行切割；

獲取所述塊信息中的文本信息，并根據所述視覺信息從所述塊信息中獲取圖片信息；所述圖片信息包括：圖片鏈接的URL、圖片的說明文本、圖片的長度、圖片的寬度、圖片在模擬排版展示中的縱坐標、以及圖片在模擬排版展示中的橫坐標；

根據所述圖片信息獲取符合預定視覺要求的圖片，并根據所述文本信息和所述圖片信息，從符合預定視覺要求的圖片中進一步選擇滿足篩選規則的圖片，并將該圖片作為所述網頁的主圖；所述篩選規則包括：將位于網頁導航條或菜單與長文本之間的圖片作為主圖。

2.如權利要求1所述的方法，其特征在于，獲取網頁的HTML文本具體包括：根據網頁的統一資源定位符URL獲取網頁的HTML文本。

3.如權利要求1所述的方法，其特征在于，所述視覺信息包括：所述網頁中每個HTML元素在模擬排版展示中的位置信息和大小信息。

4.如權利要求1所述的方法，其特征在于，所述文本信息包括：非超鏈接文本長度、超鏈接文本長度、超鏈接個數、超鏈接數組、以及圖片數組。

5.如權利要求1所述的方法，其特征在于，獲取圖片信息具體包括：

從所述塊信息中提取圖片鏈接的URL以及圖片的說明文本；

按照預先設置的算法優先級計算圖片的長度和圖片的寬度；

根據所述視覺信息獲取所述圖片在模擬排版展示中的縱坐標、以及所述圖片在模擬排版展示中的橫坐標。

6.如權利要求5所述的方法，其特征在于，按照預先設置的算法優先級計算圖片的長度和圖片的寬度具體包括以下至少一個：

最高優先級的算法為：通過圖標標記中的HTML標記來獲取圖片的長度和圖片的寬度；

第二優先級的算法為：抓取圖片并通過繪圖軟件獲取圖片的長度和圖片的寬度；

第三優先級的算法為：通過瀏覽器顯示引擎中的文件對象模型DOM信息獲取圖片的長度和圖片的寬度。

7.如權利要求1所述的方法，其特征在于，所述預定視覺要求包括：所述圖片的位置位于預先確定的區域內，并且所述圖片的長寬大小和長寬比例滿足預定要求。

8.如權利要求1所述的方法，其特征在于，所述篩選規則還包括以下至少一個：

在大小相同的一組圖片中，選擇第一張圖片作為主圖；

對搜索結果頁類型的網頁，選取第一張圖片作為主圖；

將可視區域內最大的一張圖片作為主圖；

計算圖片的說明文本與網頁主題之間的相關性，將相關性最高的圖片作為主圖；

在所述網頁為網站首頁或者專題頁時，選取選取網站標識作為主圖。

9.一種網頁主圖提取裝置，其特征在于，包括：

網頁抓取模塊，用于獲取網頁的HTML文本，對所述HTML文本進行模擬排版展示，并獲取所述網頁中每個HTML元素的視覺信息；

HTML解析模塊，用于將所述HTML文本以塊信息為單位進行切割；

信息獲取模塊，用于獲取所述塊信息中的文本信息，并根據所述視覺信息從所述塊信息中獲取圖片信息；所述圖片信息包括：圖片鏈接的URL、圖片的說明文本、圖片的長度、圖片的寬度、圖片在模擬排版展示中的縱坐標、以及圖片在模擬排版展示中的橫坐標；

篩選模塊，用于根據所述圖片信息獲取符合預定視覺要求的圖片，并根據所述文本信息和所述圖片信息，從符合預定視覺要求的圖片中進一步選擇滿足篩選規則的圖片，并將該圖片作為所述網頁的主圖；所述篩選規則包括：將位于網頁導航條或菜單與長文本之間的圖片作為主圖。

10.如權利要求9所述的裝置，其特征在于，網頁抓取模塊具體用于：根據網頁的統一資源定位符URL獲取網頁的HTML文本。