CN113065086A - 网页正文提取方法、装置、电子设备及存储介质 - Google Patents
网页正文提取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113065086A CN113065086A CN202110440451.7A CN202110440451A CN113065086A CN 113065086 A CN113065086 A CN 113065086A CN 202110440451 A CN202110440451 A CN 202110440451A CN 113065086 A CN113065086 A CN 113065086A
- Authority
- CN
- China
- Prior art keywords
- text
- webpage
- target
- web page
- label
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000003491 array Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9577—Optimising the visualization of content, e.g. distillation of HTML documents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及数据处理技术领域,揭露了一种网页正文提取方法,包括:查询网页源代码中的标题标签,从标题标签中提取标题内容,从网页源代码中筛选正文标签;从正文标签中提取网页正文,得到初始网页正文,对初始网页正文进行数组划分、文本块划分及文本长度计算后查询初始网页正文的正文开头及正文末端,根据正文开头及正文末端,生成第一目标网页正文;查询正文标签中满足预设条件的正文子标签,从正文子标签中提取网页正文,得到第二目标网页正文;根据第一目标网页正文、第二目标网页正文及标题内容进行汇总,生成网页正文内容。此外,本发明还涉及区块链技术,所述网页正文内容可存储于区块链中。本发明可以提高网页正文提取的效率。
Description
技术领域
本发明涉及数据处理领域,尤其涉及一种网页正文提取方法、装置、电子设备及计算机可读存储介质。
背景技术
对于Web信息检索来说,网页(如新闻类网页)正文抽取是后续处理的关键,能否高效、准确的将一个网页的正文抽取出来,并做到在大规模网页范围内通用,直接会影响网页上层服务应用的效率。目前网页正文抽取常见的方法是使用解析器(如正则,Xpath,beautifulsoup)等工具针对每个网页的HTML标签编写针对性的网页正文抽取规则,通过解析器编写的网页正文抽取规则虽然可以抽取对应的网页正文,但面对种类复杂且数量极多的HTML标签,使用网页正文抽取规则处理势必会消耗大量的人力,从而影响网页正文抽取的效率。
发明内容
本发明提供一种网页正文提取方法、装置、电子设备及计算机可读存储介质,其主要目的在于提高网页正文提取的效率。
为实现上述目的,本发明提供的一种网页正文提取方法,包括:
获取网页源代码,查询所述网页源代码中的标题标签,从所述标题标签中提取标题内容,并从所述网页源代码中筛选出正文标签;
从所述正文标签中提取网页正文,得到初始网页正文,基于换行符对所述初始网页正文进行数组划分,得到网页正文数组;
将所述网页正文数组进行文本块划分,得到网页正文文本块,并计算所述网页正文文本块的文本长度;
根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,根据所述正文开头及正文末端,生成第一目标网页正文;
查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取网页正文,得到第二目标网页正文;
根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
可选地,所述从网页源代码中筛选出正文标签,包括:
识别所述网页源代码中的无用标签,删除所述无用标签及所述无用标签中的内容,得到正文标签。
可选地,所述从正文标签中提取网页正文,得到初始网页正文,包括:
利用预设的解析器将所述正文标签进行格式转换;
利用预设的提取语句将格式转换的所述正文标签进行网页内容提取,得到初始网页内容;
利用预设的循环语句对所述初始网页内容进行汇总,生成所述初始网页正文。
可选地,所述基于所述换行符对所述初始网页正文进行数组划分,得到网页正文数组,包括:
获取所述换行符的数量,根据所述数量,执行所述初始网页正文的数组划分,生成网页正文数组。
可选地,所述计算所述网页正文文本块的文本长度,包括:
获取所述网页正文文本块中的字符,对所述字符进行数量统计,得到所述网页正文文本块的文本长度。
可选地,所述根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,包括:
从所述文本长度中筛选出大于预设阈值的首位文本长度,将所述首位文本长度对应网页正文文本块作为所述初始网页正文的正文开头;
从所述文本长度中筛选出文本长度为零的末位文本长度,将所述末位文本长度对应网页正文文本块作为所述初始网页正文的正文末端。
可选地,所述根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,包括:
识别所述第一目标网页正文及所述第二目标网页正文是否为空文本;
若所述第一目标网页正文为空文本,则将所述第二目标网页正文作为所述网页源代码的目标网页正文;
若所述第二目标网页正文为空文本,则将所述第一目标网页正文作为所述网页源代码的目标网页正文;
若所述第一目标网页正文及所述第二目标网页正文均为空文本,则重新获取网页源代码;
若所述第一目标网页正文及所述第二目标网页正文均不是空文本,则将所述第一目标网页正文及所述第二目标网页正文的交集网页正文作为所述网页源代码的目标网页正文。
为了解决上述问题,本发明还提供一种网页正文提取装置,所述装置包括:
提取模块,用于获取网页源代码,查询所述网页源代码中的标题标签,从所述标题标签中提取标题内容,并从所述网页源代码中筛选出正文标签;
划分模块,用于从所述正文标签中提取网页正文,得到初始网页正文,基于换行符对所述初始网页正文进行数组划分,得到网页正文数组;
计算模块,用于将所述网页正文数组进行文本块划分,得到网页正文文本块,并计算所述网页正文文本块的文本长度;
生成模块,用于根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,根据所述正文开头及正文末端,生成第一目标网页正文;
查询模块,用于查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取网页正文,得到第二目标网页正文;
汇总模块,用于根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以实现上述所述的网页正文提取方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个计算机程序,所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的网页正文提取方法。
本发明实施例首先确定提取的网页标题内容,可以保证网页正文提取的完整性;其次,本发明实施例采用文本块密度的方法实现网页正文的第一次提取,可以实现网页中不具有规则性正文的提取,以实现网页正文提取的通用性,降低网页正文提取的复杂度,并基于网页标签实现网页正文的第二次提取,可以实现网页中具有规则性正文的提取,以提高网页正文提取的速度;进一步地,本发明实施例将的第一次提取和第二次提取的网页正文进行分析汇总,生成最终的目标网页正文,可以确保网页正文提取的准确性。因此,本发明提出的一种网页正文提取方法、装置、电子设备以及存储介质可以提高网页正文提取的效率。
附图说明
图1为本发明一实施例提供的网页正文提取方法的流程示意图;
图2为本发明第一实施例中图1提供的网页正文提取方法其中一个步骤的详细流程示意图;
图3为本发明一实施例提供的网页正文提取装置的模块示意图;
图4为本发明一实施例提供的实现网页正文提取方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种网页正文提取方法。所述网页正文提取方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述网页正文提取方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
参照图1所示,为本发明一实施例提供的网页正文提取方法的流程示意图。在本发明实施例中,所述网页正文提取方法包括:
S1、获取网页源代码,查询所述网页源代码中的标题标签,从所述标题标签中提取标题内容,并从所述网页源代码中筛选出正文标签。
应该了解,在浏览器中运行的网页是通过网页源代码编译实现,因此在进行网页正文提取过程中,需要获取网页源代码,本发明实施例中,所述网页源代码可通过鼠标点击对应网页属性得到,也可以通过查询对应网页开发人员的开发环境得到。
进一步需要了解的是,网页正文包括网页标题和网页文本内容,其中,所述网页标题用于表征对应网页的网页主旨,可以帮助用户了解该网页用于做什么,例如,平安保单网页对应的网页标题可以为平安保单,所述网页文本内容用于表征对应网页具体涉及的网页信息,例如,所述平安保单网页对应的网页文本内容可以包括保单查询、保单投保以及保单理赔等网页信息。
进一步地,本发明实施例从所述网页源代码中获取标题(title)标签,得到所述网页源代码的标题标签,并利用预设的提取指令从所述title中提取出标题内容。其中,所述预设的提取指令包括cut指令,需要声明的是,在浏览器运行一个网页时会把标题内容放置在浏览器窗口的标题栏或状态栏上,同样,当把文档加入用户的链接列表或者收藏夹或书签列表时,标题将成为该文档链接的默认名称,因此,本发明实施例从所述title中提取出标题内容。
进一步地,在浏览器运行网页时,网页除了网页内容还包括网页脚本、网页表单以及网页超链接等,因此,本发明实施例从所述网页源代码中筛选出正文标签,以保障后续网页正文内容提取的前提。
具体的,所述从网页源代码中筛选出正文标签,包括:识别所述网页源代码中的无用标签,删除所述无用标签及所述无用标签中的内容,得到所述正文标签。其中,所述无用标签用于渲染浏览器,实现网页的页面布局和动态浏览,其包括:脚本标签(如script)、声明标签(如doctype)、以及风格标签(如style),可选的,所述无用标签及所述无用标签中的内容通过delete指令删除。
S2、从所述正文标签中提取网页正文,得到初始网页正文,基于换行符对所述初始网页正文进行数组划分,得到网页正文数组。
本发明实施例中,参阅图2所示,所述从正文标签中提取网页正文,得到初始网页正文包括:
S20、利用预设的解析器将所述正文标签进行格式转换;
S21、利用预设的提取语句将格式转换的所述正文标签进行网页内容提取,得到初始网页内容;
S22、利用预设的循环语句对所述初始网页内容进行汇总,生成所述初始网页正文。
其中,所述预设的解析器包括HTML解析器,所述HTML解析器可以通过etree函数构建,用于解析网页的文档对象内容,实现网页的内容提取,所述预设的提取语句包括:html.xpath('//div//p//text()'),所述预设的循环语句包括for语句。
进一步地,应该了解,网页的内容是按照一个标签一行的结构布局,因此在生成的初始网页正文中每一行都会有一个换行符(\n),因此,本发明实施例基于所述换行符对所述初始网页正文进行数组划分,以更加直观的了解到所述初始网页正文中的文本内容分布情况。具体的,所述基于所述换行符对所述初始网页正文进行数组划分,得到网页正文数组,包括:获取所述换行符的数量,根据所述数量,执行所述初始网页正文的数组划分,生成网页正文数组,即有多少个换行符,则划分多少个网页正文数组。
S3、将所述网页正文数组进行文本块划分,得到网页正文文本块,并计算所述网页正文文本块的文本长度。
本发明实施例中,为了保障提取网页正文的准确性,将所述网页正文数组进行文本块划分,以识别出每个文本块的文本长度,从而查找出网页正文的开始位置和结束位置。具体的,所述将所述网页正文数组进行文本块划分,得到网页正文文本块包括:将所述网页正文数组按照预设数量进行连续滑块,生成所述网页正文文本块,其中,所述预设数量根据实际业务场景设置,比如设置所述预设数量为3,则将所述网页正文数组中第1个、第2个以及第3个划分成一个网页正文文本块,将所述网页数组中第2个、第3个以及第4个划分成一个网页正文文本块,直至所有的网页正文数组全部滑块结束。
进一步地,所述计算所述网页正文文本块的文本长度,包括:获取所述网页正文文本块中的字符,对所述字符进行数量统计,得到所述网页正文文本块的文本长度。其中,所述字符包括:符号、字母以及数字等。
S4、根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,根据所述正文开头及正文末端,生成第一目标网页正文。
本发明实施例中,所述根据所述文本长度,查询所述初始网页正文的正文开头及正文末端之前,还包括:确定所述文本长度对应网页正文文本块的文本顺序优先级,以确保生成的网页正文中内容是有条不紊的,一个可选实施例中,所述文本顺序优先级基于从正文标签中提取网页正文时确定,即先提取的网页正文,其对应的文本顺序优先级越高,比如第一个提取的网页正文对应的文本顺序优先级越高,即排在第一位。
进一步地,所述根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,包括:从所述文本长度中筛选出大于预设阈值的首位文本长度,将所述首位文本长度对应网页正文文本块作为所述初始网页正文的正文开头,从所述文本长度中筛选出文本长度为零的末位文本长度,并将所述末位文本长度对应网页正文文本块作为所述初始网页正文的正文末端。其中,所述预设阈值经过选取超过1000个网页测试,所述阈值可以设置为86,即超过86的首位文本长度对应网页正文文本块作为所述初始网页正文的正文开头。
进一步地,需要声明的是,在所述文本长度中会存在多个文本长度大于预设阈值的情况,因此,本发明实施例根据确定文本长度对应网页正文文本块的文本顺序,选取文本顺序优先级最高的文本长度作为首位文本长度。
进一步地,本发明实施例所述根据所述正文开头及正文末端,生成第一目标网页正文,包括:获取所述正文开头及正文末端的开始位置和结束位置,根据所述开始位置和所述结束位置,执行所述初始网页正文的裁剪,生成所述第一目标网页正文。
S5、查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取网页正文,得到第二目标网页正文。
由于上述步骤S2至步骤S4提取的第一目标网页正文是基于文本块密度实现的,很容易忽略网页中一些有规律的正文,因此,本发明实施例通过查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取出网页正文,得到第二目标网页正文,以确保最终提取的目标网页正文的准确率。其中,由于一个网页的正文是基于很多个子标签汇总生成,因此,本发明实施例中,设置所述预设条件为子标签数量最多,比如,在一个新闻网页中,查询正文标签class=”article”拥有的正文子标签数量最多,则从对应正文子标签中提取出网页正文,生成第二目标网页正文。需要声明的是,所述正文子标签的网页正文提取具体实施手段可以参阅上述步骤S2中正文标签的网页正文提取,在此不做进一步地赘述。
S6、根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
本发明实施例中,所述根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,包括:识别所述第一目标网页正文及所述第二目标网页正文是否为空文本,若所述第一目标网页正文为空文本,则将所述第二目标网页正文作为所述网页源代码的目标网页正文,若所述第二目标网页正文为空文本,则将所述第一目标网页正文作为所述网页源代码的目标网页正文,若所述第一目标网页正文及所述第二目标网页正文均为空文本,则返回S1重新获取网页源代码,若所述第一目标网页正文及所述第二目标网页正文均不是空文本,则将所述第一目标网页正文及所述第二目标网页正文的交集网页正文作为所述网页源代码的目标网页正文。
进一步地,本发明将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
进一步地,为保障所述网页正文内容的隐私性和安全性,所述网页正文内容还可存储于一区块链节点中。
本发明实施例首先确定提取的网页标题内容,可以保证网页正文提取的完整性;其次,本发明实施例采用文本块密度的方法实现网页正文的第一次提取,可以实现网页中不具有规则性正文的提取,以实现网页正文提取的通用性,降低网页正文提取的复杂度,并基于网页标签实现网页正文的第二次提取,可以实现网页中具有规则性正文的提取,以提高网页正文提取的速度;进一步地,本发明实施例将的第一次提取和第二次提取的网页正文进行分析汇总,生成最终的目标网页正文,可以确保网页正文提取的准确性。因此,本发明可以提高网页正文提取的效率。
如图3所示,是本发明网页正文提取装置的功能模块图。
本发明所述网页正文提取装置100可以安装于电子设备中。根据实现的功能,所述网页正文提取装置可以包括提取模块101、划分模块102、计算模块103、生成模块104、查询模块105以及汇总模块106。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述提取模块101,用于获取网页源代码,查询所述网页源代码中的标题标签,从所述标题标签中提取标题内容,并从所述网页源代码中筛选出正文标签;
所述划分模块102,用于从所述正文标签中提取网页正文,得到初始网页正文,基于换行符对所述初始网页正文进行数组划分,得到网页正文数组;
所述计算模块103,用于将所述网页正文数组进行文本块划分,得到网页正文文本块,并计算所述网页正文文本块的文本长度;
所述生成模块104,用于根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,根据所述正文开头及正文末端,生成第一目标网页正文;
所述查询模块105,用于查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取网页正文,得到第二目标网页正文;
所述汇总模块106,用于根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
详细地,本发明实施例中所述网页正文提取装置100中的所述各模块在使用时采用与上述的图1和图2中所述的网页正文提取方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图4所示,是本发明实现网页正文提取方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如网页正文提取程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如网页正文提取的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如执行网页正文提取等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图4仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图4示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的网页正文提取12是多个计算机程序的组合,在所述处理器10中运行时,可以实现:
获取网页源代码,查询所述网页源代码中的标题标签,从所述标题标签中提取标题内容,并从所述网页源代码中筛选出正文标签;
从所述正文标签中提取网页正文,得到初始网页正文,基于换行符对所述初始网页正文进行数组划分,得到网页正文数组;
将所述网页正文数组进行文本块划分,得到网页正文文本块,并计算所述网页正文文本块的文本长度;
根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,根据所述正文开头及正文末端,生成第一目标网页正文;
查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取网页正文,得到第二目标网页正文;
根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
具体地,所述处理器10对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取网页源代码,查询所述网页源代码中的标题标签,从所述标题标签中提取标题内容,并从所述网页源代码中筛选出正文标签;
从所述正文标签中提取网页正文,得到初始网页正文,基于换行符对所述初始网页正文进行数组划分,得到网页正文数组;
将所述网页正文数组进行文本块划分,得到网页正文文本块,并计算所述网页正文文本块的文本长度;
根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,根据所述正文开头及正文末端,生成第一目标网页正文;
查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取网页正文,得到第二目标网页正文;
根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种网页正文提取方法,其特征在于,所述方法包括:
获取网页源代码,查询所述网页源代码中的标题标签,从所述标题标签中提取标题内容,并从所述网页源代码中筛选出正文标签;
从所述正文标签中提取网页正文,得到初始网页正文,基于换行符对所述初始网页正文进行数组划分,得到网页正文数组;
将所述网页正文数组进行文本块划分,得到网页正文文本块,并计算所述网页正文文本块的文本长度;
根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,根据所述正文开头及正文末端,生成第一目标网页正文;
查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取网页正文,得到第二目标网页正文;
根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
2.如权利要求1所述的网页正文提取方法,其特征在于,所述从网页源代码中筛选出正文标签,包括:
识别所述网页源代码中的无用标签,删除所述无用标签及所述无用标签中的内容,得到正文标签。
3.如权利要求1所述的网页正文提取方法,其特征在于,所述从正文标签中提取网页正文,得到初始网页正文,包括:
利用预设的解析器将所述正文标签进行格式转换;
利用预设的提取语句将格式转换的所述正文标签进行网页内容提取,得到初始网页内容;
利用预设的循环语句对所述初始网页内容进行汇总,生成所述初始网页正文。
4.如权利要求1所述的网页正文提取方法,其特征在于,所述基于所述换行符对所述初始网页正文进行数组划分,得到网页正文数组,包括:
获取所述换行符的数量,根据所述数量,执行所述初始网页正文的数组划分,生成网页正文数组。
5.如权利要求1所述的网页正文提取方法,其特征在于,所述计算所述网页正文文本块的文本长度,包括:
获取所述网页正文文本块中的字符,对所述字符进行数量统计,得到所述网页正文文本块的文本长度。
6.如权利要求1所述的网页正文提取方法,其特征在于,所述根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,包括:
从所述文本长度中筛选出大于预设阈值的首位文本长度,将所述首位文本长度对应网页正文文本块作为所述初始网页正文的正文开头;
从所述文本长度中筛选出文本长度为零的末位文本长度,将所述末位文本长度对应网页正文文本块作为所述初始网页正文的正文末端。
7.如权利要求1至6中任一项所述的网页正文提取方法,其特征在于,所述根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,包括:
识别所述第一目标网页正文及所述第二目标网页正文是否为空文本;
若所述第一目标网页正文为空文本,则将所述第二目标网页正文作为所述网页源代码的目标网页正文;
若所述第二目标网页正文为空文本,则将所述第一目标网页正文作为所述网页源代码的目标网页正文;
若所述第一目标网页正文及所述第二目标网页正文均为空文本,则重新获取网页源代码;
若所述第一目标网页正文及所述第二目标网页正文均不是空文本,则将所述第一目标网页正文及所述第二目标网页正文的交集网页正文作为所述网页源代码的目标网页正文。
8.一种网页正文提取装置,其特征在于,所述装置包括:
提取模块,用于获取网页源代码,查询所述网页源代码中的标题标签,从所述标题标签中提取标题内容,并从所述网页源代码中筛选出正文标签;
划分模块,用于从所述正文标签中提取网页正文,得到初始网页正文,基于换行符对所述初始网页正文进行数组划分,得到网页正文数组;
计算模块,用于将所述网页正文数组进行文本块划分,得到网页正文文本块,并计算所述网页正文文本块的文本长度;
生成模块,用于根据所述文本长度,查询所述初始网页正文的正文开头及正文末端,根据所述正文开头及正文末端,生成第一目标网页正文;
查询模块,用于查询所述正文标签中满足预设条件的正文子标签,并从所述正文子标签中提取网页正文,得到第二目标网页正文;
汇总模块,用于根据所述第一目标网页正文及所述第二目标网页正文,生成所述网页源代码的目标网页正文,将所述目标网页正文和所述标题内容进行汇总,得到网页正文内容。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的网页正文提取方法。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的网页正文提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440451.7A CN113065086A (zh) | 2021-04-23 | 2021-04-23 | 网页正文提取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110440451.7A CN113065086A (zh) | 2021-04-23 | 2021-04-23 | 网页正文提取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065086A true CN113065086A (zh) | 2021-07-02 |
Family
ID=76567677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110440451.7A Pending CN113065086A (zh) | 2021-04-23 | 2021-04-23 | 网页正文提取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065086A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817804A (zh) * | 2022-03-31 | 2022-07-29 | 北京达佳互联信息技术有限公司 | 一种网页生成方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150067476A1 (en) * | 2013-08-29 | 2015-03-05 | Microsoft Corporation | Title and body extraction from web page |
WO2017080090A1 (zh) * | 2015-11-14 | 2017-05-18 | 孙燕群 | 一种网页正文提取比对方法 |
CN108763591A (zh) * | 2018-06-21 | 2018-11-06 | 湖南星汉数智科技有限公司 | 一种网页正文提取方法、装置、计算机装置及计算机可读存储介质 |
-
2021
- 2021-04-23 CN CN202110440451.7A patent/CN113065086A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150067476A1 (en) * | 2013-08-29 | 2015-03-05 | Microsoft Corporation | Title and body extraction from web page |
WO2017080090A1 (zh) * | 2015-11-14 | 2017-05-18 | 孙燕群 | 一种网页正文提取比对方法 |
CN108763591A (zh) * | 2018-06-21 | 2018-11-06 | 湖南星汉数智科技有限公司 | 一种网页正文提取方法、装置、计算机装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
杨丽萍;: "基于分块的网页内容提取算法的研究", 数字技术与应用, no. 12, 15 December 2012 (2012-12-15) * |
苏秀芝;: "基于网页Title标签的正文提取方法", 福建电脑, no. 04, 25 April 2016 (2016-04-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114817804A (zh) * | 2022-03-31 | 2022-07-29 | 北京达佳互联信息技术有限公司 | 一种网页生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111813963A (zh) | 知识图谱构建方法、装置、电子设备及存储介质 | |
CN111428451B (zh) | 文本在线编辑方法、装置、电子设备及存储介质 | |
CN113239106B (zh) | Excel文件导出方法、装置、电子设备及存储介质 | |
CN112115145A (zh) | 数据采集方法、装置、电子设备及存储介质 | |
CN111552704A (zh) | 一种数据报表生成方法、装置、计算机设备及存储介质 | |
CN115048111B (zh) | 基于元数据的代码生成方法、装置、设备及介质 | |
CN115408399A (zh) | 基于sql脚本的血缘关系分析方法、装置、设备及存储介质 | |
CN111475700A (zh) | 一种数据提取方法及相关设备 | |
CN107590288B (zh) | 用于抽取网页图文块的方法和装置 | |
CN113282854A (zh) | 数据请求响应方法、装置、电子设备及存储介质 | |
CN113065086A (zh) | 网页正文提取方法、装置、电子设备及存储介质 | |
CN113434542A (zh) | 数据关系识别方法、装置、电子设备及存储介质 | |
CN111639159A (zh) | 短语字典实时生成方法、装置、电子设备及存储介质 | |
CN111625236A (zh) | 基于组件化的前端开发方法、装置、电子设备及存储介质 | |
CN113687827B (zh) | 基于微件的数据列表生成方法、装置、设备及存储介质 | |
CN114201466B (zh) | 防缓存击穿方法、装置、设备及可读存储介质 | |
CN113139145A (zh) | 页面生成方法、装置、电子设备及可读存储介质 | |
CN114626352A (zh) | 报表自动化生成方法、装置、计算机设备及存储介质 | |
CN113064928A (zh) | 报表数据查询方法、装置、电子设备及存储介质 | |
CN112506931A (zh) | 数据查询方法、装置、电子设备及存储介质 | |
CN112528188A (zh) | 混合数据的分页浏览方法、装置、电子设备及存储介质 | |
CN113360505B (zh) | 基于时序数据的数据处理方法、装置、电子设备及可读存储介质 | |
CN113672565B (zh) | 一种文件标记方法、装置、电子设备及存储介质 | |
CN115242638B (zh) | 可行触达的筛选方法、装置、电子设备及存储介质 | |
CN113657076B (zh) | 页面操作记录表的生成方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40049997 Country of ref document: HK |