[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

本發明公開了一種網頁主圖提取方法及裝置。該方法包括：獲取網頁的HTML文本，對HTML文本進行模擬排版展示，并獲取網頁中每個HTML元素的視覺信息；將HTML文本以塊信息為單位進行切割；獲取塊信息中的文本信息，并根據視覺信息從塊信息中獲取圖片信息；根據圖片信息獲取符合預定視覺要求的圖片，并根據文本信息和圖片信息，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，并將該圖片作為網頁的主圖。借助于本發明的技術方案，能夠使主圖選取達到非常高的準確率和效率。

技術領域

本發明涉及計算機技術領域，特別是涉及一種網頁主圖提取方法及裝置。

背景技術

隨著互聯網技術的發展，超文本標記語言(Hypertext Markup Language，簡稱為HTML)網頁的表現形式越來越多樣化，其中的趨勢之一就是網頁中圖片的大量出現。和傳統的文字相比，圖片在吸引人注意力和表意方面具有自己獨特的優勢。因此目前很多搜索引擎在搜索結果中除了提供標題和摘要之外，還提供了從網頁中抽取的主圖。

如圖1所示，在現有技術中，搜索引擎的結果中包含了越來越多的圖片，這對于用戶識別自己所要找到的信息，提高點擊率很有幫助。同時在互聯網廣告方面，相比純粹投放文字鏈接的廣告，圖片廣告具有更大的優勢，可以讓用戶一目了然看到產品信息。因此，從網頁中提取主圖技術在提高用戶搜索體驗，提高點擊率方面顯得非常重要。從而目前急需一種網頁主圖提取方法。

發明內容

鑒于上述問題，提出了本發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網頁主圖提取方法及裝置。

本發明提供一種網頁主圖提取方法，包括：獲取網頁的HTML文本，對HTML文本進行模擬排版展示，并獲取網頁中每個HTML元素的視覺信息；將HTML文本以塊信息為單位進行切割；獲取塊信息中的文本信息，并根據視覺信息從塊信息中獲取圖片信息；根據圖片信息獲取符合預定視覺要求的圖片，并根據文本信息和圖片信息，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，并將該圖片作為網頁的主圖。

優選地，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。

優選地，視覺信息包括：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。

優選地，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。

優選地，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。

優選地，獲取圖片信息具體包括：從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；根據視覺信息獲取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。

優選地，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。

優選地，預定視覺要求包括：圖片的位置位于預先確定的區域內，并且圖片的長寬大小和長寬比例滿足預定要求。

優選地，篩選規則具體包括以下至少一個：將位于網頁導航條或菜單與長文本之間的圖片作為主圖；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。