[发明专利]网页主内容列表识别方法和装置

说明书

本申请涉及一种网页主内容列表识别方法和装置。所述方法通过获取待识别网页；提取待识别网页中的网页标签；构建包括预设数目网页标签的网页标签组合，查找网页标签组合对应的最小父节点，根据最小父节点构建待选节点列表；根据待选节点列表获取待识别网页对应的网页主内容列表。本申请在进行网页主内容识别时，主要通过识别网页中多个网页标签的最小父节点来构建待选节点列表，而后基于待选节点列表来进行网页主内容列表的识别，并不依赖于固定框架，能有效针对不同的网页进行有效的自动化智能识别，同时识别结果也不会受到页面结构变动的影响，保证识别准确率。

技术领域

本申请涉及计算机领域，特别是涉及一种网页主内容列表识别方法和装置。

背景技术

随着计算机技术与网页技术的发展，出现了HTML(Hyper Text Markup Language，超文本标记语言)技术。HTML具体是一种标记语言。它包括一系列标签.通过这些标签可以将网络上的文档格式统一，使分散的网络资源连接为一个逻辑整体。HTML文本是由HTML命令组成的描述性文本，HTML命令可以说明文字，图形、动画、声音、表格、链接等。而在HTML文档中，网页标签用于定义超链接，即用于从一个页面链接到另一个页面，即可以通过网页标签可以实现网页间的跳转。

目前，对于一个HTML页面，可以通过特定算法可以自动识别出页面中的主内容列表信息。但是目前的主内容列表识别方法只能捕获固定框架下的主内容列表信息，当网页结构发生变化时，便无法保证网页主内容列表识别的准确率。

发明内容

基于此，有必要针对上述技术问题，提供一种能够有效保证识别准确率的网页主内容列表识别方法、装置、计算机设备和存储介质。

一种网页主内容列表识别方法，所述方法包括：

获取待识别网页；

提取所述待识别网页中的网页标签，所述网页标签用于定义锚或超链接；

构建包括预设数目网页标签的网页标签组合，查找所述网页标签组合对应的最小父节点，根据所述最小父节点构建待选节点列表；

根据所述待选节点列表获取所述待识别网页对应的网页主内容列表。

一种网页主内容列表识别装置，所述装置包括：

网页获取模块，用于获取待识别网页；

标签提取模块，用于提取所述待识别网页中的网页标签，所述网页标签用于定义锚或超链接；

列表构建模块，用于构建包括预设数目网页标签的网页标签组合，查找所述网页标签组合对应的最小父节点，根据所述最小父节点构建待选节点列表；

主内容获取模块，用于根据所述待选节点列表获取所述待识别网页对应的网页主内容列表。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待识别网页；

提取所述待识别网页中的网页标签，所述网页标签用于定义锚或超链接；

构建包括预设数目网页标签的网页标签组合，查找所述网页标签组合对应的最小父节点，根据所述最小父节点构建待选节点列表；

根据所述待选节点列表获取所述待识别网页对应的网页主内容列表。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待识别网页；

提取所述待识别网页中的网页标签，所述网页标签用于定义锚或超链接；