[發(fā)明專利]一種網頁內容提取方法及裝置

有效

• 申請?zhí)枺?/td>: 201611126527.4
• 申請日: 2016-12-09
• 公開（公告）號: CN107741942B
• 公開（公告）日: 2020-06-02
• 發(fā)明（設計）人: 趙銘鑫
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06F16/958
• 分類號: G06F16/958
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 郝傳鑫;賈允

1.一種網頁內容提取方法，其特征在于，包括：

確定待提取網頁中目標內容所在的候選區(qū)域，包括：

根據預先統(tǒng)計的網頁中各個待提取內容所在的區(qū)域的集合，確定所述目標內容在所述待提取網頁中的候選區(qū)域，其中，所述各個待提取內容所在區(qū)域的集合是通過預先統(tǒng)計預設數量的網頁中各個待提取內容的位置信息并合并待提取內容在各個網頁中的位置信息形成的集合；

根據所述目標內容的預設視覺特征，計算每個所述候選區(qū)域的視覺特征得分；

從視覺特征得分最高的候選區(qū)域提取所述目標內容。

2.根據權利要求1所述的方法，其特征在于，所述根據所述目標內容的預設視覺特征，計算每個所述候選區(qū)域的視覺特征得分包括：

計算每個所述候選區(qū)域內存在的，與各個所述預設視覺特征對應的各個視覺特征的得分；

將每個所述候選區(qū)域內的所述各個視覺特征的得分累加，作為每個所述候選區(qū)域的視覺特征得分。

3.根據權利要求2所述的方法，其特征在于，所述計算每個所述候選區(qū)域內存在的，與各個所述預設視覺特征對應的各個視覺特征的得分包括：

判斷每個所述候選區(qū)域內的所述各個視覺特征，是否與對應的各個所述預設視覺特征匹配；

確定與對應的所述預設視覺特征匹配的視覺特征的得分，等于對應的所述預設視覺特征的預設分值；

確定與對應的所述預設視覺特征不匹配的視覺特征的得分，等于零。

4.根據權利要求3所述的方法，其特征在于，所述匹配包括：所述視覺特征與對應的所述預設視覺特征相同，或所述視覺特征的參數屬于對應的所述預設視覺特征的參數區(qū)間。

5.根據權利要求3或4所述的方法，其特征在于，所述方法還包括：

測試所提取的所述目標內容是否準確；

根據測試結果調整所述目標內容的各個預設視覺特征的預設分值。

6.一種網頁內容提取裝置，其特征在于，包括：

確定單元，用于確定待提取網頁中目標內容所在的候選區(qū)域，具體用于，根據預先統(tǒng)計的網頁中各個待提取內容所在的區(qū)域的集合，確定所述目標內容在所述待提取網頁中的候選區(qū)域，其中，所述各個待提取內容所在區(qū)域的集合是通過預先統(tǒng)計預設數量的網頁中各個待提取內容的位置信息并合并待提取內容在各個網頁中的位置信息形成的集合；

計算單元，用于根據所述目標內容的預設視覺特征，計算每個所述候選區(qū)域的視覺特征得分；

提取單元，用于從視覺特征得分最高的候選區(qū)域提取所述目標內容。

7.根據權利要求6所述的裝置，其特征在于，所述計算單元包括：

第一計算單元，用于計算每個所述候選區(qū)域內存在的，與各個所述預設視覺特征對應的各個視覺特征的得分；

第二計算單元，用于將每個所述候選區(qū)域內的所述各個視覺特征的得分累加，作為每個所述候選區(qū)域的視覺特征得分。

8.根據權利要求7所述的裝置，其特征在于，所述第一計算單元包括：

判斷子單元，用于判斷每個所述候選區(qū)域內的所述各個視覺特征，是否與對應的各個所述預設視覺特征匹配；

確定子單元，用于確定與對應的所述預設視覺特征匹配的視覺特征的得分，等于對應的所述預設視覺特征的預設分值；以及確定與對應的所述預設視覺特征不匹配的視覺特征的得分，等于零。

9.根據權利要求8所述的裝置，其特征在于，所述匹配包括：所述視覺特征與對應的所述預設視覺特征相同，或所述視覺特征的參數屬于對應的所述預設視覺特征的參數區(qū)間。

10.根據權利要求8或9所述的裝置，其特征在于，所述裝置還包括：

測試單元，用于測試所提取的所述目標內容是否準確；

調整單元，用于根據測試結果調整所述目標內容的各個預設視覺特征的預設分值。

11.一種計算機可讀存儲介質，所述存儲介質中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述至少一條指令、所述至少一段程序、所述代碼集或指令集由處理器加載并執(zhí)行如權利要求1-5任一所述的方法。