[发明专利]一种镜像网页的查找方法及查找系统

权利要求书

1.一种镜像网页的查找方法，其特征在于，包括：

获取网页反向连接的锚文本；

判断上述锚文本相对于所述网页是否合法，确定不合法锚文本所属的网页，提取该网页所在主域、子域、及目录的首页；

将提取的网页组成镜像网页查找集合，基于所述镜像网页查找集合查找镜像网页。

2.如权利要求1所述的方法，其特征在于，判断上述锚文本相对于所述网页是否合法之前，还包括：

计算上述锚文本的权重，按权重大小顺序，提取设置数量的锚文本，或提取设置比例的锚文本。

3.如权利要求2所述的方法，其特征在于，计算上述锚文本的权重具体为：

统计与子网页同主域的父网页数量，乘以同主域权重系数；

统计与子网页不同主域的各主域的父网页数量，乘以不同主域权重系数；

将上述乘积相加的和为上述锚文本权重。

4.如权利要求3所述的方法，其特征在于，还包括：

如与子网页同主域的父网页数量大于预置数值，按预置数值计算。

5.如权利要求3所述的方法，其特征在于，还包括：

与子网页不同主域的各主域的父网页数量大于预设数值，按预设数据计算。

6.如权利要求1至5任一项所述的方法，其特征在于，获取网页反向链接的锚文本具体为：

在互联网的各网页上提取正向连接的锚文本；

反转各正向链接，获取网页反向链接的锚文本。

7.如权利要求1至5任一项所述的方法，其特征在于，判断上述锚文本相对于所述网页是否合法具体为：

判断上述锚文本内容与所述网页内容是否相关联，如是，确定上述锚文本相对于所述网页合法；如不是，确定上述锚文本相对于所述网页不合法。

8.如权利要求1至5任一项所述的方法，其特征在于，判断上述锚文本相对于所述网页是否合法具体为：

对上述锚文本分解为各词语，判断各词语与所述网页是否相关联；

如相关联词语个数小于绝对阈值，确定上述锚文本相对于所述网页不合法；否则，确定上述锚文本相对于所述网页合法。

9.如权利要求1至5任一项所述的方法，其特征在于，判断上述锚文本相对于所述网页是否合法具体为：

对上述锚文本分解为各词语，判断各词语与所述网页是否相关联；

如相关联词语在上述各词语中的比例小于相对阈值，确定上述锚文本相对于所述网页不合法；否则，确定上述锚文本相对于所述网页合法。

10.一种镜像网页的查找系统，其特征在于，包括锚文本获取模块、合法性判断模块、网页提取模块、集合组成模块、及查找模块；

所述锚文本获取模块，用于获取网页反向连接的锚文本；

所述合法性判断模块，用于判断上述锚文本相对于所述网页是否合法；

所述网页提取模块，用于确定不合法锚文本所属的网页，提取该网页所在主域、子域、及目录的首页；

所述集合组成模块，用于将提取的网页组成镜像网页查找集合；

所述查找模块，用于基于所述镜像网页查找集合查找镜像网页。

11.如权利要求10所述的系统，其特征在于，还包括权重计算模块，用于计算上述锚文本的权重，按权重大小顺序，提取设置数量的锚文本，或提取设置比例的锚文本，发送到所述合法性判断模块。