[发明专利]网页信息提取方法和装置

说明书

本申请提出一种网页信息提取方法和装置，该方法包括：获取待提取网页的源代码和视觉信息；根据所述源代码和视觉信息，确定所述待提取网页中的区块信息；对所述区块信息进行聚类，提取所述待提取网页中的结构化信息。该方法能够提取到更有效的信息，进而可以在有限空间上展示更有效的信息，提高展示效率，降低成本。

技术领域

本申请涉及互联网技术领域，尤其涉及一种网页信息提取方法和装置。

背景技术

当前互联网已成为信息传递的主要载体。由于网页上能够展示的信息是有限的，为了提高展示效率和降低成本，需要解决在众多信息中提取更有效信息的问题。例如，需要在网页上投放广告时，如何在广告主网站中提取有效信息是亟待解决的问题。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的一个目的在于提出一种网页信息提取方法，该方法可以提取到更有效的信息，进而可以在有限空间上展示更有效的信息，提高展示效率，降低成本。

本申请的另一个目的在于提出一种网页信息提取装置。

为达到上述目的，本申请第一方面实施例提出的网页信息提取方法，包括：获取待提取网页的源代码和视觉信息；根据所述源代码和视觉信息，确定所述待提取网页中的区块信息；对所述区块信息进行聚类，提取所述待提取网页中的结构化信息。

本申请第一方面实施例提出的网页信息提取方法，通过提取网页的结构化信息，由于结构化信息是网页正文中的规律性信息，因此可以提取到更有效的信息，进而可以在有限空间上展示更有效的信息，提高展示效率，降低成本。

为达到上述目的，本申请第二方面实施例提出的网页信息提取装置，包括：获取模块，用于获取待提取网页的源代码和视觉信息；确定模块，用于根据所述源代码和视觉信息，确定所述待提取网页中的区块信息；提取模块，用于对所述区块信息进行聚类，提取所述待提取网页中的结构化信息。

本申请第二方面实施例提出的网页信息提取装置，通过提取网页的结构化信息，由于结构化信息是网页正文中的规律性信息，因此可以提取到更有效的信息，进而可以在有限空间上展示更有效的信息，提高展示效率，降低成本。

本申请实施例还提出了一种设备，包括：一个或多个处理器；用于存储一个或多个程序的存储器；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如本申请第一方面实施例任一项所述的方法。

本申请实施例还提出了一种非易失性计算机可读存储介质，当所述存储介质中的一个或多个程序由设备的一个或多个处理器执行时，使得所述一个或多个处理器执行如本申请第一方面实施例任一项所述的方法。

本申请实施例还提出了一种计算机程序产品，当所述计算机程序产品被设备中的一个或多个处理器执行时，使得所述一个或多个处理器执行如本申请第一方面实施例任一项所述的方法。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1是本申请一个实施例提出的网页信息提取方法的流程示意图；

图2是本申请另一个实施例提出的网页信息提取方法的流程示意图；

图3是本申请实施例中一种待提取网页的示意图；

图4是本申请实施例中一种展示结构化信息的示意图；

图5是本申请一个实施例提出的网页信息提取装置的结构示意图；

图6是本申请另一个实施例提出的网页信息提取装置的结构示意图。