CN115796145A - 一种网页文本的采集方法、***、服务器及可读存储介质 - Google Patents
一种网页文本的采集方法、***、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN115796145A CN115796145A CN202211436963.7A CN202211436963A CN115796145A CN 115796145 A CN115796145 A CN 115796145A CN 202211436963 A CN202211436963 A CN 202211436963A CN 115796145 A CN115796145 A CN 115796145A
- Authority
- CN
- China
- Prior art keywords
- text
- candidate
- candidate text
- processed
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 20
- 238000013145 classification model Methods 0.000 claims description 16
- 238000009877 rendering Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 12
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Transfer Between Computers (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于文本处理技术领域，提供了一种网页文本的采集方法、***、服务器及可读存储介质，该方法包括：通过获取目标网页对应的待处理图像；根据待处理图像得到第一候选文本；获取目标网页对应的待处理渲染html；根据待处理渲染html得到第二候选文本；对第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。可见，本申请利用图片转序列以及序列转序列的多模态识别方法，可有效保证目标文本识别的准确性，通过不同的深度学习模型，能有效处理不同形态的各种目标文本，大大降低了人为介入的成本。
Description
技术领域
本申请属于文本处理技术领域，尤其涉及一种网页文本的采集方法、***、服务器及可读存储介质。
背景技术
网页是构成网站的基本元素，是承载各种网站应用的平台。现有技术中，由于同一类型的网页之间形态差异较大，导致无法快速有效的对同一类型的网页文本中的目标文本进行采集。
发明内容
本申请实施例提供了一种网页文本的采集方法、***、服务器及可读存储介质，可以解决现有技术中无法快速有效的对同一类型的网页文本中的目标文本进行采集的技术问题。
第一方面，本申请实施例提供了一种网页文本的采集方法，包括：
获取目标网页对应的待处理图像；
根据所述待处理图像得到第一候选文本；
获取目标网页对应的待处理渲染html；
根据所述待处理渲染html得到第二候选文本；
对所述第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。
在第一方面的一种可能的实现方式中，获取目标网页对应的待处理图像，包括：
通过滑动窗口的形式，按照预设尺寸窗口，以预设步长对所述目标网页进行截图，得到待处理图像。
在第一方面的一种可能的实现方式中，根据所述待处理图像得到第一候选文本，包括：
将所述待处理图像输入至预先训练的简介识别模型M1中，识别出初始文本区域，以及所述初始文本区域中的第一文字；
对所述初始文本区域进行段落合并，得到合并后的文本区域；
利用预先训练的分类模型M2对所述文本区域内的第二文字进行检测，得到第一候选文本以及所述第一候选文本对应的第一预测概率。
在第一方面的一种可能的实现方式中，预先训练的分类模型M2包括文本识别模型和简介识别模型；
利用预先训练的分类模型M2对所述文本区域内的第二文字进行检测，得到第一候选文本以及所述第一候选文本对应的第一预测概率，包括：
采用文本识别模型对所述文本区域内的第二文字进行文字识别，得到文本序列；
计算所述文本序列的第一置信度；
根据简介识别模型对文本序列进行预测，得到第一候选文本；
计算所述第一候选文本的第二置信度；
根据所述第一置信度和所述第二置信度，得到第一预测概率。
在第一方面的一种可能的实现方式中，根据所述待处理渲染html得到第二候选文本，包括：
根据预设的序列模型M3对所述渲染html中的候选元素进行识别，确定出目标元素；
通过所述目标元素得到第二候选文本；
计算所述第二候选文本的第三置信度，将所述第三置信度作为第二预测概率。
在第一方面的一种可能的实现方式中，对所述第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本，包括：
对所述第一候选文本和第二候选文本进行相似度对比，得到对比结果；
根据下列公式计算目标文本对应的最终预测概率，若最终预测概率大于预设阈值，则确定所述第一候选文本作为目标文本：
其中，P表示目标文本对应的最终预测概率，P1表示所述第一候选文本对应的第一预测概率，P2表示所述第二候选文本对应的第二预测概率，
表示所述对比结果。
在第一方面的一种可能的实现方式中，采用编辑距离对所述第一候选文本和第二候选文本进行相似度对比，得到对比结果，包括：
采用编辑距离算法对所述第一候选文本和第二候选文本进行相似度对比，得到候选对比结果；
对候选对比结果按照下列公式进行修正，得到对比结果:
其中，
表示对比结果，R1表示候选对比结果，len(C1)表示第一候选文本的第一长度，len(C2)表示第二候选文本的第二长度。
第二方面，本申请实施例提供了一种网页文本的采集***，包括：
第一获取模块，用于获取目标网页对应的待处理图像；
图像处理模块，用于根据所述待处理图像得到第一候选文本；
第二获取模块，用于获取目标网页对应的待处理渲染html；
序列文本处理模块，用于根据所述待处理渲染html得到第二候选文本；
相似度对比模块，用于对所述第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。
在第二方面的一种可能实现的方式中，所述第一获取模块，包括：
截取子模块，用于通过滑动窗口的形式，按照预设尺寸窗口，以预设步长对所述目标网页进行截图，得到待处理图像。
在第二方面的一种可能实现的方式中，所述图像处理模块，包括：
识别子模块，用于将所述待处理图像输入至预先训练的简介识别模型M1中，识别出初始文本区域，以及所述初始文本区域中的第一文字；
合并子模块，用于对所述初始文本区域进行段落合并，得到合并后的文本区域；
检测子模块，用于利用预先训练的分类模型M2对所述文本区域内的第二文字进行检测，得到第一候选文本以及所述第一候选文本对应的第一预测概率。
在第二方面的一种可能实现的方式中，预先训练的分类模型M2包括文本识别模型和简介识别模型；
所述检测子模块，包括：
识别单元，用于采用文本识别模型对所述文本区域内的第二文字进行文字识别，得到文本序列；
第一计算单元，用于计算所述文本序列的第一置信度；
预测单元，用于根据简介识别模型对文本序列进行预测，得到第一候选文本；
第二计算单元，用于计算所述第一候选文本的第二置信度；
第三计算单元，用于根据所述第一置信度和所述第二置信度，得到第一预测概率。
在第二方面的一种可能实现的方式中，序列文本处理模块，包括：
识别子模块，用于根据预设的序列模型M3对所述渲染html中的候选元素进行识别，确定出目标元素；
提取子模块，用于通过所述目标元素得到第二候选文本；
计算子模块，用于计算所述第二候选文本的第三置信度，将所述第三置信度作为第二预测概率。
在第二方面的一种可能实现的方式中，所述相似度对比模块，包括：
相似度对比子模块，用于对所述第一候选文本和第二候选文本进行相似度对比，得到对比结果；
预测子模块，用于根据下列公式计算目标文本对应的最终预测概率，若最终预测概率大于预设阈值，则确定所述第一候选文本作为目标文本：
其中，P表示目标文本对应的最终预测概率，P1表示所述第一候选文本对应的第一预测概率，P2表示所述第二候选文本对应的第二预测概率，
表示所述对比结果。
第三方面，本申请实施例提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本申请实施例与现有技术相比存在的有益效果是：
本申请实施例中，通过获取目标网页对应的待处理图像；根据待处理图像得到第一候选文本(即图片转序列)；获取目标网页对应的待处理渲染html；根据待处理渲染html得到第二候选文本(即序列转序列)；对第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。可见，本申请利用图片转序列以及序列转序列的多模态识别方法，可有效保证企业官网简介识别的准确性，通过不同的深度学习模型，能有效处理不同形态的各种企业官网，大大降低了人为介入的成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的网页文本的采集方法的流程示意图；
图2是本申请实施例提供的网页文本的采集方法的图1中步骤S102的具体流程示意图；
图3是本申请实施例提供的网页文本的采集方法的图2中步骤S203的具体流程示意图；
图4是本申请实施例提供的网页文本的采集方法的图1中步骤S104的具体流程示意图；
图5是本申请实施例提供的网页文本的采集方法的图1中步骤S105的具体流程示意图；
图6是本申请实施例提供的网页文本的采集方法的图5中步骤S501的具体流程示意图；
图7是本申请实施例提供的网页文本的采集***的结构示意图；
图8是本申请实施例提供的服务器的结构示意图；
图9是本申请实施例提供的简介识别模型M1的网络结构示意图；
图10是本申请实施例提供的简介识别模型M1的识别过程示意图；
图11是本申请实施例提供的文本区域的合并过程示意图；
图12是本申请实施例提供的文本识别模型的框架示意图；
图13是本申请实施例提供的分类模型M2的构建流程图；
图14是本申请实施例提供的序列模型M3的网络结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
整体技术方案说明：现有技术中，由于同一类型的网页之间形态差异较大，例如各个企业官网的形态差异较大，一般通过配置对应的xpath获取特定格式的网页内容，不同网站的简介位置也不尽相同，导致无法快速有效的对这些企业官网中的简介数据(即目标文本)进行采集。为此，本申请实施例提供一种网页文本的采集方法，基于深度学习技术，能快速有效处理不同形态的各种企业官网，大大降低了人为介入的成本。
下面将通过具体实施例对本申请实施例提供的技术方案进行介绍。
参见图1，为本申请实施例提供的网页文本的采集方法的流程示意图，作为示例而非限定，该方法可以应用于服务器，该方法可以包括以下步骤：
步骤S101，获取目标网页对应的待处理图像。
其中，目标网页可以是指各个企业官网。
在一种可选的实施方式中，获取目标网页对应的待处理图像，包括：
通过滑动窗口的形式，按照预设尺寸窗口，以预设步长对所述目标网页进行截图，得到待处理图像。
其中，预设尺寸窗口为固定宽度1080，高度720的尺寸，预设步长为高度10。
具体应用中，本申请实施例利用模拟浏览器，访问企业官网，通过滑动窗口的形式，按照固定宽度1080，高度720的尺寸，以及高度10的步长进行截图，分别得到待处理图像P1～Pn。
步骤S102，根据待处理图像得到第一候选文本。
其中，第一候选文本是指通过图像识别技术，对企业官网进行识别得到得第一企业官网简介。可见，本申请实施例将图片识别运用于变化多变的企业官网中，实现了企业官网简介的通用识别方案。
在一种可选的实施方式中，如图2所示，为本申请实施例提供的网页文本的采集方法的图1中步骤S102的具体流程示意图，根据待处理图像得到第一候选文本，包括：
步骤S201，将待处理图像输入至预先训练的简介识别模型M1中，识别出初始文本区域，以及初始文本区域中的第一文字。
需说明的是，简介识别模型M1可以是如图9所示的网络结构，首先，输入待处理图像喂入特征金字塔，其次，特征金字塔经过上采样到相同的大小，然后进行自适应尺度融合产生特征F，通过特征F分别得到概率图P和阈值图T，进而由概率图P和阈值图T进行DB计算得到近似二值图(图中像素的值为0或1)，从而得到处理后图像(即图像中的初始文本区域以及初始文本区域中的第一文字)。在训练阶段，采用相同的监督学习进行特征F、概率图P及阈值图T的优化，在推理阶段，直接利用近似二值图或者概率图P经过框形处理。
具体应用中，本申请实施例针对步骤S101得到的图像P1～Pn，依次送入简介识别模型M1进行识别，识别出简介所在区域(x,y,h,w)，及对应的文字W1-Wn。示例性地，如图10所示，将对图10(a)中的企业官网对应的图像，送入简介识别模型M1进行识别后，得到图10(b)中的简介所在区域及对应的文字。
步骤S202，对初始文本区域进行段落合并，得到合并后的文本区域。
具体地，对垂直距离小于10的框选区域进行合并，得到更少的聚合后的文本区域(A1,A2，...,An)。示例性地，如图11所示，对图11(c)中的初始文本区域进行合并，得到图11(d)中的文本区域。
步骤S203，利用预先训练的分类模型M2对文本区域内的第二文字进行检测，得到第一候选文本以及第一候选文本对应的第一预测概率。
其中，预先训练的分类模型M2包括文本识别模型和简介识别模型。
在一种可选的实施方式中，参见图3，为本申请实施例提供的网页文本的采集方法的图2中步骤S203的具体流程示意图，利用预先训练的分类模型M2对所述文本区域内的第二文字进行检测，得到第一候选文本以及所述第一候选文本对应的第一预测概率，包括：
步骤S301，采用文本识别模型对文本区域内的第二文字进行文字识别，得到文本序列。
其中，文本识别模型的框架如图12所示，文本区域Text Area经过ResNet和LSTM及CTC网络，进行编码，然后利用Greedy Decoder进行接码，最后得到文本序列output，整体符合常规的编码+解码的网络结构。
步骤S302，计算文本序列的第一置信度。
示例性地，对文本区域内的文本序列出现的概率进行加权平均，得到第一置信度。
步骤S303，根据简介识别模型对文本序列进行预测，得到第一候选文本。
其中，简介识别模型采用fasttext模型进行文本的二分类模型训练和预测即可。训练数据采用人工标注，分别标注简介和非简介数据500条，训练集和测试集4:1,训练得到简介识别模型，准确率可到96.45％，召回率88.72％。
步骤S304，计算第一候选文本的第二置信度。
示例性地，对文本序列中的第一候选文本出现的概率进行加权平均，得到第二置信度。
步骤S305，根据第一置信度和第二置信度，得到第一预测概率。
示例性地，对第一置信度和第二置信度进行相乘，得到第一预测概率。可以理解的是，第一预测概率为预先训练的分类模型M2中文本识别模型和简介识别模型分别输出数据对应的置信度之间的乘积叠加。
可以理解的是，如图13所示，为预先训练的分类模型M2的构建流程图，本申请实施例对每个区域先进行进行文本识别得到文字，然后再进行简介识别，判断是否为简介，从而得到简介内容(即第一候选文本)。
步骤S103，获取目标网页对应的待处理渲染html。
其中，目标网页对应的待处理渲染html是指各个企业官网对应的超文本标记语言，待处理渲染html中包含很多候选元素。
步骤S104，根据待处理渲染html得到第二候选文本。
其中，第二候选文本是指通过深度学习模型，实现企业官网html中简介对应xpath的自动获取，从而得到的第二企业官网简介。
在一种可选的实施方式中，如图4所示，为本申请实施例提供的网页文本的采集方法的图1中步骤S104的具体流程示意图，根据待处理渲染html得到第二候选文本，包括：
步骤S401，根据预设的序列模型M3对渲染html中的候选元素进行识别，确定出目标元素。
其中，目标元素为xpath，为html路径语言，用来确定html文档中某部分位置的语言；预设的序列模型M3采用中文预训练模型Chinese-BERT-wwm，包括BERT模型、二层感知机以及dropout层，示例性地，预设的序列模型M3的网络结构如图14所示，在现有的预训练模型的基础上，提高了模型的数据提取能力，增加了数据处理的丰富程度，实现了html中简介对应xpath的自动获取，减少了人为xpath编写的工作量，可实现大规模的企业官网简介信息获取。
步骤S402，通过目标元素得到第二候选文本。
具体应用中，利用序列模型M3，可以得到企业官网渲染html中简介对应的xpath，如div[@class＝”content”]，则可通过该xpath获取对应的第二候选文本。
步骤S403，计算第二候选文本的第三置信度，将第三置信度作为第二预测概率。
示例性地，对渲染html中目标元素(即xpath)出现的概率进行加权平均，得到第三置信度。可以理解的是，第三置信度为预设的序列模型M3输出数据对应的置信度。
步骤S105，对第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。
其中，目标文本是指最终企业官网简介。
需说明的是，本申请实施例，利用图片转序列以及序列转序列的多模态识别方法，最终识别通过则以第一企业官网简历作为最终企业官网简介，可有效保证企业官网简介识别的准确性。
在一种可选的实施方式中，如图5所示，为本申请实施例提供的网页文本的采集方法的图1中步骤S105的具体流程示意图，对第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本，包括：
步骤S501，对第一候选文本和第二候选文本进行相似度对比，得到对比结果。
具体应用中，如图6所示，为本申请实施例提供的网页文本的采集方法的图5中步骤S501的具体流程示意图，采用编辑距离对所述第一候选文本和第二候选文本进行相似度对比，得到对比结果，包括：
步骤S601，采用编辑距离算法对所述第一候选文本和第二候选文本进行相似度对比，得到候选对比结果。
可以理解的是，由于通过文本识别模型M1得到的文本存在个别字识别错误的情况，而编辑距离并不包含语义的相似，只是单纯的对字符进行相似度比较，故而适合当前场景下的文本相似度比较。
步骤S602，对候选对比结果按照下列公式进行修正，得到对比结果:
其中，
表示对比结果，R1表示候选对比结果，len(C1)表示第一候选文本的第一长度，len(C2)表示第二候选文本的第二长度。
可以理解的是，由于每个官网简介长度存在差异，为保证候选对比结果R1对不同的官网有同样的效果，对候选对比结果R1进行修正得到对比结果
步骤S502，根据下列公式计算目标文本对应的最终预测概率，若最终预测概率大于预设阈值，则确定第一候选文本作为目标文本：
其中，P表示目标文本对应的最终预测概率，P1表示第一候选文本对应的第一预测概率，P2表示第二候选文本对应的第二预测概率，
表示对比结果。
可以理解的是，预设阈值可以是0.5，若P>0.5，则官网简介识别有效，最后选取第一候选文本(即第一企业官网简介)作为目标文本(即最终企业官网简介)；否则，官网简介识别无效。
本申请实施例中，通过获取目标网页对应的待处理图像；根据待处理图像得到第一候选文本(即图片转序列)；获取目标网页对应的待处理渲染html；根据待处理渲染html得到第二候选文本(即序列转序列)；对第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。可见，本申请实施例，利用图片转序列以及序列转序列的多模态识别方法，可有效保证企业官网简介识别的准确性，通过不同的深度学习模型，能有效处理不同形态的各种企业官网，大大降低了人为介入的成本。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的网页文本的采集方法，图7示出了本申请实施例提供的网页文本采集***的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图7，该***包括：
第一获取模块71，用于获取目标网页对应的待处理图像；
图像处理模块72，用于根据所述待处理图像得到第一候选文本；
第二获取模块73，用于获取目标网页对应的待处理渲染html；
序列文本处理模块74，用于根据所述待处理渲染html得到第二候选文本；
相似度对比模块75，用于对所述第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。
在一种可能实现的方式中，所述第一获取模块，包括：
截取子模块，用于通过滑动窗口的形式，按照预设尺寸窗口，以预设步长对所述目标网页进行截图，得到待处理图像。
在一种可能实现的方式中，所述图像处理模块，包括：
识别子模块，用于将所述待处理图像输入至预先训练的简介识别模型M1中，识别出初始文本区域，以及所述初始文本区域中的第一文字；
合并子模块，用于对所述初始文本区域进行段落合并，得到合并后的文本区域；
检测子模块，用于利用预先训练的分类模型M2对所述文本区域内的第二文字进行检测，得到第一候选文本以及所述第一候选文本对应的第一预测概率。
在一种可能实现的方式中，预先训练的分类模型M2包括文本识别模型和简介识别模型；
所述检测子模块，包括：
识别单元，用于采用文本识别模型对所述文本区域内的第二文字进行文字识别，得到文本序列；
第一计算单元，用于计算所述文本序列的第一置信度；
预测单元，用于根据简介识别模型对文本序列进行预测，得到第一候选文本；
第二计算单元，用于计算所述第一候选文本的第二置信度；
第三计算单元，用于根据所述第一置信度和所述第二置信度，得到第一预测概率。
在一种可能实现的方式中，序列文本处理模块，包括：
识别子模块，用于根据预设的序列模型M3对所述渲染html中的候选元素进行识别，确定出目标元素；
提取子模块，用于通过所述目标元素得到第二候选文本；
计算子模块，用于计算所述第二候选文本的第三置信度，将所述第三置信度作为第二预测概率。
在一种可能实现的方式中，所述相似度对比模块，包括：
相似度对比子模块，用于对所述第一候选文本和第二候选文本进行相似度对比，得到对比结果；
预测子模块，用于根据下列公式计算目标文本对应的最终预测概率，若最终预测概率大于预设阈值，则确定所述第一候选文本作为目标文本：
其中，P表示目标文本对应的最终预测概率，P1表示所述第一候选文本对应的第一预测概率，P2表示所述第二候选文本对应的第二预测概率，
表示所述对比结果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图8为本申请实施例提供的服务器的结构示意图。如图8所示，该实施例的服务器8包括：至少一个处理器80、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82，所述处理器80执行所述计算机程序82时实现上述任意各个方法实施例中的步骤。
所述服务器8可以是云端服务器等计算设备。本领域技术人员可以理解，图8仅仅是服务器8的举例，并不构成对服务器8的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，该处理器80还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器81在一些实施例中可以是所述服务器8的内部存储单元，例如服务器8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述服务器8的外部存储设备，例如所述服务器8上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述服务器8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作***、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到服务器的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种网页文本的采集方法，其特征在于，包括：
获取目标网页对应的待处理图像；
根据所述待处理图像得到第一候选文本；
获取目标网页对应的待处理渲染html；
根据所述待处理渲染html得到第二候选文本；
对所述第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。
2.如权利要求1所述的网页文本的采集方法，其特征在于，获取目标网页对应的待处理图像，包括：
通过滑动窗口的形式，按照预设尺寸窗口，以预设步长对所述目标网页进行截图，得到待处理图像。
3.如权利要求1所述的网页文本的采集方法，其特征在于，根据所述待处理图像得到第一候选文本，包括：
将所述待处理图像输入至预先训练的简介识别模型M1中，识别出初始文本区域，以及所述初始文本区域中的第一文字；
对所述初始文本区域进行段落合并，得到合并后的文本区域；
利用预先训练的分类模型M2对所述文本区域内的第二文字进行检测，得到第一候选文本以及所述第一候选文本对应的第一预测概率。
4.如权利要求3所述的网页文本的采集方法，其特征在于，预先训练的分类模型M2包括文本识别模型和简介识别模型；
利用预先训练的分类模型M2对所述文本区域内的第二文字进行检测，得到第一候选文本以及所述第一候选文本对应的第一预测概率，包括：
采用文本识别模型对所述文本区域内的第二文字进行文字识别，得到文本序列；
计算所述文本序列的第一置信度；
根据简介识别模型对文本序列进行预测，得到第一候选文本；
计算所述第一候选文本的第二置信度；
根据所述第一置信度和所述第二置信度，得到第一预测概率。
5.如权利要求1所述的网页文本的采集方法，其特征在于，根据所述待处理渲染html得到第二候选文本，包括：
根据预设的序列模型M3对所述渲染html中的候选元素进行识别，确定出目标元素；
通过所述目标元素得到第二候选文本；
计算所述第二候选文本的第三置信度，将所述第三置信度作为第二预测概率。
6.如权利要求1所述的网页文本的采集方法，其特征在于，对所述第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本，包括：
对所述第一候选文本和第二候选文本进行相似度对比，得到对比结果；
根据下列公式计算目标文本对应的最终预测概率，若最终预测概率大于预设阈值，则确定所述第一候选文本作为目标文本：
其中，P表示目标文本对应的最终预测概率，P1表示所述第一候选文本对应的第一预测概率，P2表示所述第二候选文本对应的第二预测概率，
表示所述对比结果。
7.如权利要求6所述的网页文本的采集方法，其特征在于，采用编辑距离对所述第一候选文本和第二候选文本进行相似度对比，得到对比结果，包括：
采用编辑距离算法对所述第一候选文本和第二候选文本进行相似度对比，得到候选对比结果；
对候选对比结果按照下列公式进行修正，得到对比结果:
其中，
表示对比结果，R1表示候选对比结果，len(C1)表示第一候选文本的第一长度，len(C2)表示第二候选文本的第二长度。
8.一种网页文本的采集***，其特征在于，包括：
第一获取模块，用于获取目标网页对应的待处理图像；
图像处理模块，用于根据所述待处理图像得到第一候选文本；
第二获取模块，用于获取目标网页对应的待处理渲染html；
序列文本处理模块，用于根据所述待处理渲染html得到第二候选文本；
相似度对比模块，用于对所述第一候选文本和第二候选文本进行相似度对比，根据对比结果确定出目标文本。
9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种可读存储介质，所述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任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211436963.7A CN115796145B (zh) | 2022-11-16 | 2022-11-16 | 一种网页文本的采集方法、***、服务器及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211436963.7A CN115796145B (zh) | 2022-11-16 | 2022-11-16 | 一种网页文本的采集方法、***、服务器及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115796145A true CN115796145A (zh) | 2023-03-14 |
| CN115796145B CN115796145B (zh) | 2023-09-08 |
Family
ID=85438321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211436963.7A Active CN115796145B (zh) | 2022-11-16 | 2022-11-16 | 一种网页文本的采集方法、***、服务器及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115796145B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110142344A1 (en) * | 2009-12-11 | 2011-06-16 | Fujifilm Corporation | Browsing system, server, and text extracting method |
| US20170331855A1 (en) * | 2016-05-13 | 2017-11-16 | International Business Machines Corporation | Detection and warning of imposter web sites |
| US20170364492A1 (en) * | 2016-06-20 | 2017-12-21 | Machine Learning Works, LLC | Web content enrichment based on matching images to text |
| CN109977337A (zh) * | 2019-02-25 | 2019-07-05 | 北京三快在线科技有限公司 | 一种网页设计对比方法、装置、设备及可读存储介质 |
| CN110110198A (zh) * | 2017-12-28 | 2019-08-09 | 中移(苏州)软件技术有限公司 | 一种网页信息抽取方法及装置 |
| CN110532448A (zh) * | 2019-07-04 | 2019-12-03 | 平安科技（深圳）有限公司 | 基于神经网络的文档分类方法、装置、设备及存储介质 |
| CN110619103A (zh) * | 2019-09-18 | 2019-12-27 | 珠海格力电器股份有限公司 | 网页图文检测方法、装置及存储介质 |
| CN111401416A (zh) * | 2020-03-05 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 异常网站的识别方法、装置和异常对抗行为的识别方法 |
| CN111652622A (zh) * | 2020-05-26 | 2020-09-11 | 支付宝(杭州)信息技术有限公司 | 一种风险网址的识别方法、装置及电子设备 |
| CN112308046A (zh) * | 2020-12-02 | 2021-02-02 | 龙马智芯（珠海横琴）科技有限公司 | 图像的文本区域定位方法、装置、服务器及可读存储介质 |
| CN112749280A (zh) * | 2021-01-18 | 2021-05-04 | 杭州安恒信息技术股份有限公司 | 网络舆情的分类方法、装置、电子装置和存储介质 |
| CN114254231A (zh) * | 2020-09-24 | 2022-03-29 | 台达电子工业股份有限公司 | 网页内文抽取方法 |
| CN114359533A (zh) * | 2021-11-18 | 2022-04-15 | 珠海读书郎软件科技有限公司 | 一种基于页面文本的页码识别方法和计算机设备 |
| CN114417812A (zh) * | 2022-03-15 | 2022-04-29 | 太平金融科技服务(上海)有限公司深圳分公司 | 文本核对方法、装置、设备及存储介质 |
| CN114817798A (zh) * | 2021-01-28 | 2022-07-29 | 上海闻越信息技术有限公司 | 一种网站监控方法、装置、存储介质及电子设备 |
| CN114912431A (zh) * | 2022-06-01 | 2022-08-16 | 北京金山数字娱乐科技有限公司 | 文档搜索方法及装置 |
| CN114978624A (zh) * | 2022-05-09 | 2022-08-30 | 深圳大学 | 钓鱼网页检测方法、装置、设备及存储介质 |
-
2022
- 2022-11-16 CN CN202211436963.7A patent/CN115796145B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110142344A1 (en) * | 2009-12-11 | 2011-06-16 | Fujifilm Corporation | Browsing system, server, and text extracting method |
| US20170331855A1 (en) * | 2016-05-13 | 2017-11-16 | International Business Machines Corporation | Detection and warning of imposter web sites |
| US20170364492A1 (en) * | 2016-06-20 | 2017-12-21 | Machine Learning Works, LLC | Web content enrichment based on matching images to text |
| CN110110198A (zh) * | 2017-12-28 | 2019-08-09 | 中移(苏州)软件技术有限公司 | 一种网页信息抽取方法及装置 |
| CN109977337A (zh) * | 2019-02-25 | 2019-07-05 | 北京三快在线科技有限公司 | 一种网页设计对比方法、装置、设备及可读存储介质 |
| CN110532448A (zh) * | 2019-07-04 | 2019-12-03 | 平安科技（深圳）有限公司 | 基于神经网络的文档分类方法、装置、设备及存储介质 |
| CN110619103A (zh) * | 2019-09-18 | 2019-12-27 | 珠海格力电器股份有限公司 | 网页图文检测方法、装置及存储介质 |
| CN111401416A (zh) * | 2020-03-05 | 2020-07-10 | 支付宝(杭州)信息技术有限公司 | 异常网站的识别方法、装置和异常对抗行为的识别方法 |
| CN111652622A (zh) * | 2020-05-26 | 2020-09-11 | 支付宝(杭州)信息技术有限公司 | 一种风险网址的识别方法、装置及电子设备 |
| CN114254231A (zh) * | 2020-09-24 | 2022-03-29 | 台达电子工业股份有限公司 | 网页内文抽取方法 |
| CN112308046A (zh) * | 2020-12-02 | 2021-02-02 | 龙马智芯（珠海横琴）科技有限公司 | 图像的文本区域定位方法、装置、服务器及可读存储介质 |
| CN112749280A (zh) * | 2021-01-18 | 2021-05-04 | 杭州安恒信息技术股份有限公司 | 网络舆情的分类方法、装置、电子装置和存储介质 |
| CN114817798A (zh) * | 2021-01-28 | 2022-07-29 | 上海闻越信息技术有限公司 | 一种网站监控方法、装置、存储介质及电子设备 |
| CN114359533A (zh) * | 2021-11-18 | 2022-04-15 | 珠海读书郎软件科技有限公司 | 一种基于页面文本的页码识别方法和计算机设备 |
| CN114417812A (zh) * | 2022-03-15 | 2022-04-29 | 太平金融科技服务(上海)有限公司深圳分公司 | 文本核对方法、装置、设备及存储介质 |
| CN114978624A (zh) * | 2022-05-09 | 2022-08-30 | 深圳大学 | 钓鱼网页检测方法、装置、设备及存储介质 |
| CN114912431A (zh) * | 2022-06-01 | 2022-08-16 | 北京金山数字娱乐科技有限公司 | 文档搜索方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| YUKUN LI: "A stacking model using URL and HTML features for phishing webpage detection", 《FUTURE GENERATION COMPUTER SYSTEMS》, vol. 94, pages 27 - 39 * |
| 汤佳杰: "基于文本标点密度连续和的网页正文抽取", 计算机时代, no. 01, pages 69 - 72 * |
| 王宇龙: "融合结构和内容特征提取多类型网页文本要素", 山西大学学报(自然科学版), vol. 39, no. 03, pages 386 - 391 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115796145B (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| GB2571825A (en) | Semantic class localization digital environment | |
| JP2023541532A (ja) | テキスト検出モデルのトレーニング方法及び装置、テキスト検出方法及び装置、電子機器、記憶媒体並びにコンピュータプログラム | |
| CN112396049A (zh) | 文本纠错方法、装置、计算机设备及存储介质 | |
| US20180365594A1 (en) | Systems and methods for generative learning | |
| CN111488732B (zh) | 一种变形关键词检测方法、***及相关设备 | |
| CN112949477B (zh) | 基于图卷积神经网络的信息识别方法、装置及存储介质 | |
| CN113205047B (zh) | 药名识别方法、装置、计算机设备和存储介质 | |
| CN114241499A (zh) | 表格图片识别方法、装置、设备和可读存储介质 | |
| CN116304307A (zh) | 一种图文跨模态检索网络训练方法、应用方法及电子设备 | |
| CN114596566A (zh) | 文本识别方法及相关装置 | |
| CN115034200A (zh) | 图纸信息提取方法、装置、电子设备及存储介质 | |
| US11972625B2 (en) | Character-based representation learning for table data extraction using artificial intelligence techniques | |
| CN111145202A (zh) | 模型生成方法、图像处理方法、装置、设备及存储介质 | |
| CN111523351A (zh) | 神经网络的训练方法、装置和电子设备 | |
| CN117634490A (zh) | 信息抽取方法、装置、设备、介质和程序产品 | |
| CN116774973A (zh) | 数据渲染方法、装置、计算机设备及存储介质 | |
| CN111859933A (zh) | 马来语识别模型的训练方法、识别方法、装置、设备 | |
| CN116503596A (zh) | 图片分割方法、装置、介质和电子设备 | |
| CN115984886A (zh) | 表格信息抽取方法、装置、设备及存储介质 | |
| CN115796145B (zh) | 一种网页文本的采集方法、***、服务器及可读存储介质 | |
| CN115858776A (zh) | 一种变体文本分类识别方法、***、存储介质和电子设备 | |
| CN112149523B (zh) | 基于深度学习和并查集算法识别并抽取图片的方法及装置 | |
| CN115880702A (zh) | 数据处理方法、装置、设备、程序产品及存储介质 | |
| CN114495108A (zh) | 字符检测方法、装置、电子设备及可读介质 | |
| CN115937875A (zh) | 文本识别方法及装置、存储介质、终端 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |