CN105808569A - 一种提供搜索摘要服务的方法和装置 - Google Patents

Abstract

本发明公开了一种提供搜索摘要服务的方法，该方法包括：获取各原始网页；对所述各原始网页进行精简，获得各精简网页；将各精简网页与其对应的URL对应保存到存储***中，以备提供搜索摘要服务时使用。本发明提供的技术方案通过对原始网页进行精简，将原始网页中的与提供搜索摘要服务无关的冗余数据信息去除，建立并保存精简网页和URL的对应关系数据以辅助提供搜索摘要服务，进一步提高提供搜索摘要服务的效率和专注度。

Description

一种提供搜索摘要服务的方法和装置

技术领域

本发明涉及数据挖掘技术领域，具体涉及一种提供搜索摘要服务的方法和装置。

背景技术

随着互联网技术的迅猛发展，网络已经成为人们获得信息的重要途径和手段，网络中的海量信息既给人们带来了方便，也带来了许多问题，为了找到有用信息，人们经常要花费大量的时间去搜索、浏览和查找，因此近年来搜索引擎所提供的各种搜索服务越来越引起人们的关注，其中，搜索摘要服务将各网页的摘要显示在搜索结果的窗口中，使得用户无需打开网页就能一目了然该网页是否符合搜索需求。

现有技术中，搜索引擎所提供的搜索摘要服务大多是基于静态方式生成搜索摘要，即搜索摘要独立于查询，按照某种规则，事先在预处理阶段从网页内容中提取出一些文字。例如，截取网页正文的开头160个字节(对应80个汉字)，或者，将每一个段落的第一个句子拼起来等。这样形成的摘要存放在查询子***中，一旦相关网页的文档被选中与查询项匹配，就将预存的摘要展示给用户。显然，这种方式对搜索引擎来说是最轻松的，无需做其他的处理工作。但这种方式最大的缺点是：提供的摘要与用户输入的搜索词无关，不满足用户的搜索需求。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种提供搜索摘要服务的方法和装置。

依据本发明的一个方面，提供了一种提供搜索摘要服务的方法，该方法包括：

获取各原始网页；

对所述各原始网页进行精简，获得各精简网页；

将各精简网页与其对应的URL对应保存到存储***中，以备提供搜索摘要服务时使用。

可选地，所述获取原始网页包括：

利用网络爬虫爬取各原始网页。

可选地，所述对各原始网页进行精简包括：

将各原始网页中JS和CSS代码去掉。

可选地，所述对各原始网页进行精简，获得各精简网页包括：

对于一个原始网页，对该网页中的HTML标签进行分类；

去除属于指定类别的HTML标签，保留不属于指定类别的HTML标签；

对于不属于指定类别的HTML标签，分析其属性，保留指定的一个或多个属性；

将保留的HTML标签的内容转换为文本内容后放入对应的精简网页中。

可选地，所述对各原始网页进行精简，获得各精简网页包括：

采用状态机的方式逐个分析一个原始网页中的HTML标签，所述状态机包括如下状态：

初始状态：从当前位置开始逐字节进行分析，初始时当前位置为网页内容的起始位置；

标签开始状态：发现是HTML标签开始时，判断该HTML标签是否属于指定类别的HTML标签，如果是则跳过该HTML标签，转为为初始状态，如果不是则转为属性状态；

属性状态：分析该HTML标签的属性，保留指定的一个或多个属性，进入文本状态：

文本状态：将该HTML标签的保留内容转换为文本内容后放入对应的精简网页中，进入标签结束状态：

标签结束状态：发现是HTML标签结束时，进入标签结束状态，然后转为初始状态。

可选地，所述指定类别的HTML标签包括如下标签中的一种或多种：

Script标签、noscript标签、iframe标签，以及单标签、注释标签和包含display：none的标签。

可选地，所述存储***为分布式存储***。

依据本发明的另一个方面，提供了一种提供搜索摘要服务的装置，该装置包括：

获取单元，适于获取各原始网页；

精简单元，适于对所述各原始网页进行精简，获得各精简网页；

保存单元，适于将各精简网页与其对应的URL对应保存到存储***中，以备提供搜索摘要服务时使用。

可选地，所述获取单元，适于利用网络爬虫爬取各原始网页。

可选地，所述精简单元，适于将各原始网页中JS和CSS代码去掉。

可选地，所述精简单元，适于对于一个原始网页，对该网页中的HTML标签进行分类；去除属于指定类别的HTML标签，保留不属于指定类别的HTML标签；对于不属于指定类别的HTML标签，分析其属性，保留指定的一个或多个属性；将保留的HTML标签的内容转换为文本内容后放入对应的精简网页中。

可选地，所述精简单元，适于采用状态机的方式逐个分析一个原始网页中的HTML标签，具体包括如下状态：

初始状态：从当前位置开始逐字节进行分析，初始时当前位置为网页内容的起始位置；

标签开始状态：发现是HTML标签开始时，判断该HTML标签是否属于指定类别的HTML标签，如果是则跳过该HTML标签，转为为初始状态，如果不是则转为属性状态；

属性状态：分析该HTML标签的属性，保留指定的一个或多个属性，进入文本状态：

文本状态：将该HTML标签的保留内容转换为文本内容后放入对应的精简网页中，进入标签结束状态：

标签结束状态：发现是HTML标签结束时，进入标签结束状态，然后转为初始状态。

可选地，所述指定类别的HTML标签包括如下标签中的一种或多种：

Script标签、noscript标签、iframe标签，以及单标签、注释标签和包含display：none的标签。

可选地，所述保存单元，适于将各精简网页与其对应的URL对应保存到分布式存储***中。

由上述可知，本发明提供的技术方案通过对原始网页进行精简，将原始网页中的与提供搜索摘要服务无关的冗余数据信息去除，建立并保存精简网页和URL的对应关系数据以辅助提供搜索摘要服务，进一步提高提供搜索摘要服务的效率和专注度。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本发明一个实施例的一种提供搜索摘要服务的方法的流程图；

图2示出了根据本发明一个实施例的一种提供搜索摘要服务的装置的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

图1示出了根据本发明一个实施例的一种提供搜索摘要服务的方法的流程图。如图1所示，该方法包括：

步骤S110，获取各原始网页。

在本发明的一个实施例中，本步骤S110获取原始网页包括：利用网络爬虫爬取各原始网页。

步骤S120，对各原始网页进行精简，获得各精简网页。

在本步骤，对除原始网页中的一些垃圾信息以及其他与提取摘要无关的信息。

步骤S130，将各精简网页与其对应的URL对应保存到存储***中，以备提供搜索摘要服务时使用。

可见，图1所示的方法通过对原始网页进行精简，将原始网页中的与提供搜索摘要服务无关的冗余数据信息去除，建立并保存精简网页和URL的对应关系数据以辅助提供搜索摘要服务，进一步提高提供搜索摘要服务的效率和专注度。

基于图1所述的方法得到的精简网页库，在实际搜索场景中可得到如下应用：获取搜索词以及该搜索词对应的搜索结果的URL列表，从精简网页库中获取所述URL列表中的各URL对应的精简网页，其中精简网页库中保存有各URL和对应的精简网页；根据所述搜索词从各精简网页中分别提取各URL对应的摘要。这样可以提高摘要提取的效率和准确性。提取的摘要作为搜索结果的一部分显示给用户。

在本发明的一个实施例中，由于网页中的JS代码主要用户控制页面中的交互操作和进行页面美化，网页中的CSS代码主要用于设计网页布局，这两种代码均与提供搜索摘要服务无关，因此，在本发明的一个实施例中，图1所示方法的步骤S120对各原始网页进行精简可以是：将各原始网页中JS和CSS代码去掉。

在本发明的另一个实施例中，图1所示方法的步骤S120对各原始网页进行精简，获得各精简网页的过程包括如下步骤：

步骤S121，对于一个原始网页，对该网页中的HTML标签进行分类。

步骤S122，去除属于指定类别的HTML标签，保留不属于指定类别的HTML标签。

本步骤中，指定类别的HTML标签为与提供搜索摘要服务无关的标签，包括如下标签中的一种或多种：Script标签、noscript标签、iframe标签，以及单标签、注释标签和包含display：none的标签。其中，Script标签用于定义客户端脚本，如JavaScript，用于图像操作、表单验证以及动态内容更新；noscript标签用来定义在脚本未被执行时的替代内容，用于可识别Script标签但无法支持其中的脚本的浏览器；iframe元素要用于创建包含另外一个文档的内联框架(即行内框架)；单标签如br标签用于***一个简单的换行符；注释标签用于在源代码中***注释；包含display：none的标签用于将网页上的某个元素隐藏起来。

步骤S123，对于不属于指定类别的HTML标签，分析其属性，保留指定的一个或多个属性。

本步骤中，HTML标签的属性在开始标签中指定，用于表示当前HTML标签的性质和特性。在一些实施例中，为了尽量精简网页内容，要跳过大部分的属性，仅保留id属性，方便查找问题。

步骤S124，将保留的HTML标签的内容转换为文本内容后放入对应的精简网页中。

在一个具体实施例中，上述步骤S121至步骤S124对各原始网页进行精简，获得各精简网页的过程可以采用状态机的方式实现，采用状态机的方式逐个分析一个原始网页中的HTML标签，该状态机包括如下状态：

初始状态：从当前位置开始逐字节进行分析，初始时当前位置为网页内容的起始位置。

标签开始状态：发现是HTML标签开始时，判断该HTML标签是否属于指定类别的HTML标签，如果是则跳过该HTML标签，转为为初始状态，如果不是则转为属性状态。这里，指定类别的HTML标签为与提供搜索摘要服务无关的标签，包括如下标签中的一种或多种：Script标签、noscript标签、iframe标签，以及单标签、注释标签和包含display：none的标签。

属性状态：分析该HTML标签的属性，保留指定的一个或多个属性，进入文本状态。在本发明的一个实施例中，为了尽量精简网页内容，要跳过大部分的属性，仅保留id属性。

文本状态：将该HTML标签的保留内容转换为文本内容后放入对应的精简网页中，进入标签结束状态。

标签结束状态：发现是HTML标签结束时，进入标签结束状态，然后转为初始状态。

以此类推，直至将原始网页中的全部HTML标签分析完毕，获得最终的精简网页。

在本发明的一个实施例中，图1所示方法的步骤S130将各精简网页与其对应的URL对应保存到存储***中，该存储***为分布式存储***，提高存储效率。

图2示出了根据本发明一个实施例的一种提供搜索摘要服务的装置的示意图。如图2所示，该提供搜索摘要服务的装置200包括：

获取单元210，适于获取各原始网页。

精简单元220，适于对各原始网页进行精简，获得各精简网页。

保存单元230，适于将各精简网页与其对应的URL对应保存到存储***中，以备提供搜索摘要服务时使用。

可见，图2所示的装置通过各单元的相互配合，对原始网页进行精简，将原始网页中的与提供搜索摘要服务无关的冗余数据信息去除，建立并保存精简网页和URL的对应关系数据以辅助提供搜索摘要服务，进一步提高提供搜索摘要服务的效率和专注度。

在本发明的一个实施例中，图2所示装置的获取单元210，适于利用网络爬虫爬取各原始网页。

由于网页中的JS代码主要用户控制页面中的交互操作和进行页面美化，网页中的CSS代码主要用于设计网页布局，这两种代码均与提供搜索摘要服务无关。因此，在本发明的一个实施例中，图2所示装置的精简单元220，适于将各原始网页中JS和CSS代码去掉，以达到精简原始网页的目的。

在本发明的一个实施例中，图2所示装置的精简单元220，适于对于一个原始网页，对该网页中的HTML标签进行分类；去除属于指定类别的HTML标签，保留不属于指定类别的HTML标签；对于不属于指定类别的HTML标签，分析其属性，保留指定的一个或多个属性；将保留的HTML标签的内容转换为文本内容后放入对应的精简网页中。

其中，指定类别的HTML标签为与提供搜索摘要服务无关的标签，包括如下标签中的一种或多种：Script标签、noscript标签、iframe标签，以及单标签、注释标签和包含display：none的标签。其中，Script标签用于定义客户端脚本，如JavaScript，用于图像操作、表单验证以及动态内容更新；noscript标签用来定义在脚本未被执行时的替代内容，用于可识别Script标签但无法支持其中的脚本的浏览器；iframe元素要用于创建包含另外一个文档的内联框架(即行内框架)；单标签如br标签用于***一个简单的换行符；注释标签用于在源代码中***注释；包含display：none的标签用于将网页上的某个元素隐藏起来。HTML标签的属性在开始标签中指定，用于表示当前HTML标签的性质和特性。在一些实施例中，为了尽量精简网页内容，要跳过大部分的属性，仅保留id属性，方便查找问题。

在一个具体实施例中，图2所示装置的精简单元220可以采用状态机的方式实现对各原始网页进行精简，获得各精简网页的过程。精简单元220，适于采用状态机的方式逐个分析一个原始网页中的HTML标签，具体包括如下状态：

初始状态：从当前位置开始逐字节进行分析，初始时当前位置为网页内容的起始位置；

标签开始状态：发现是HTML标签开始时，判断该HTML标签是否属于指定类别的HTML标签，如果是则跳过该HTML标签，转为为初始状态，如果不是则转为属性状态。

属性状态：分析该HTML标签的属性，保留指定的一个或多个属性，进入文本状态。

文本状态：将该HTML标签的保留内容转换为文本内容后放入对应的精简网页中，进入标签结束状态。

标签结束状态：发现是HTML标签结束时，进入标签结束状态，然后转为初始状态。

在本发明的一个实施例中，图2所示装置的保存单元230，适于将各精简网页与其对应的URL对应保存到分布式存储***中，以获得更高的存储效率。

综上所述，本发明提供的技术方案通过对原始网页进行精简，将原始网页中的与提供搜索摘要服务无关的冗余数据信息去除，建立并保存精简网页和URL的对应关系数据以辅助提供搜索摘要服务，进一步提高提供搜索摘要服务的效率和专注度。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一种提供搜索摘要服务的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种提供搜索摘要服务的方法，其中，该方法包括：

获取各原始网页；

对所述各原始网页进行精简，获得各精简网页；

将各精简网页与其对应的URL对应保存到存储***中，以备提供搜索摘要服务时使用。

2.如权利要求1所述的方法，其中，所述获取原始网页包括：

利用网络爬虫爬取各原始网页。

3.如权利要求1-2任一项所述的方法，所述对各原始网页进行精简包括：

将各原始网页中JS和CSS代码去掉。

4.如权利要求1-3任一项所述的方法，其中，所述对各原始网页进行精简，获得各精简网页包括：

对于一个原始网页，对该网页中的HTML标签进行分类；

去除属于指定类别的HTML标签，保留不属于指定类别的HTML标签；

对于不属于指定类别的HTML标签，分析其属性，保留指定的一个或多个属性；

将保留的HTML标签的内容转换为文本内容后放入对应的精简网页中。

5.如权利要求1-4任一项所述的方法，其中，所述对各原始网页进行精简，获得各精简网页包括：

采用状态机的方式逐个分析一个原始网页中的HTML标签，所述状态机包括如下状态中的一个或多个：

初始状态：从当前位置开始逐字节进行分析，初始时当前位置为网页内容的起始位置；

标签开始状态：发现是HTML标签开始时，判断该HTML标签是否属于指定类别的HTML标签，如果是则跳过该HTML标签，转为为初始状态，如果不是则转为属性状态；

属性状态：分析该HTML标签的属性，保留指定的一个或多个属性，进入文本状态：

文本状态：将该HTML标签的保留内容转换为文本内容后放入对应的精简网页中，进入标签结束状态：

标签结束状态：发现是HTML标签结束时，进入标签结束状态，然后转为初始状态。

6.如权利要求1-5所述的方法，其中，所述指定类别的HTML标签包括如下标签中的一种或多种：

Script标签、noscript标签、iframe标签，以及单标签、注释标签和包含display：none的标签。

7.如权利要求1-6任一项所述的方法，其中，

所述存储***为分布式存储***。

8.一种提供搜索摘要服务的装置，其中，该装置包括：

获取单元，适于获取各原始网页；

精简单元，适于对所述各原始网页进行精简，获得各精简网页；

保存单元，适于将各精简网页与其对应的URL对应保存到存储***中，以备提供搜索摘要服务时使用。

9.如权利要求8所述的装置，其中，

所述获取单元，适于利用网络爬虫爬取各原始网页。

10.如权利要求8-9任一项所述的装置，其中，

所述精简单元，适于将各原始网页中JS和CSS代码去掉。