[发明专利]选择性内容提取

说明书

背景技术

网页页面常常被设计为用于屏幕显示而不是打印。除可以包括文本和图像的主要文章之外，网页页面常常包括动态地生成的广告及其它外围信息。结果，期望打印网页页面的用户常常对结果感到挫败。打印的网页页面可以具有跨越多个页面的杂乱外观，主要文章—被点缀广告及其它外围内容—出现在一个页面上或分裂于两个或更多页面之间。

附图说明

图1是网页页面格式的示例性描绘。

图2是具有点缀内容的图1的网页页面格式的示例性描绘。

图3～5是根据实施例的分级结构的示例性描绘。

图6是根据实施例的提取的内容的示例性描绘。

图7是根据实施例的其中已经排除了所选提取内容的示例性描绘。

图8是根据实施例的产生的内容的示例性描绘。

图9是根据实施例的选择性内容提取系统的示例性描绘。

图10是根据实施例的其中可以实现权利要求9的系统的环境的示例性描绘。

图11和12是描绘实现各种实施例所采取的步骤的流程图。

具体实施方式

介绍：下述各种实施例进行操作以选择性地和自动地从网页页面或一系列相关网页页面提取内容。然后可以产生提取的内容，正如本文所使用的，产生所提取的内容可以包括但不限于打印、显示、传送和以电子方式存储。

在操作中，检查网页页面以识别诸如DOM（文档对象模型）的分级结构。检查该结构的节点以识别潜在文章节点。在示例中，潜在文章节点是包括超过门限的数量的文本的那些节点。该门限限定一定数目的字符或词语。首先出现在结构中的潜在文章被识别为文章节点。提取、合并并产生来自同一分级水平处的文章节点和兄弟节点的内容。在某些情况下，排除诸如来自兄弟节点的广告的内容。

网页内容：可以使用网页内容来向用户传送信息。该信息包括用户请求的文章内容以及诸如网站识别、链接和各种各样广告的外围内容。文章内容可以包括诸如与特定主题有关的文本和图像的信息，诸如新闻故事、处方或任何其它主题。

图1是用于网页页面10的示例性格式。虽然所示的格式是示例性的，但其包括普通部分，包括文章12（article）、页眉（header）14、专栏(column)16和页脚(footer)18。文章部分12包括诸如与感兴趣的特定主题有关的文本和图像的文章内容。示例包括但不限于新闻故事、建筑平面图和处方。它还可以包括不是直接与文章内容有关的内嵌广告及其它外围内容。页眉14通常包括识别网站、导航链接和通常横幅广告的数据。专栏16可以包括与文章部分14的内容有关或无关的广告和链接。页脚18可以包括识别网站、用于网站的导航链接和广告的数据。

图2是具有点缀在每个部分12～18内的示例性内容的图1的网页页面10的描绘。页眉14被示为包括横幅广告20、网站标题22和网站链接条24。横幅广告20一般地表示充当到另一网页页面的链接的图像。网站标题22表示诸如识别网站的文本和图像的内容。网站链接条24表示用于导航所识别的网站的一组链接。通常，内容20、22和24中没有一个直接与部分12的文章内容的主题有关。

文章部分12被示为包括标题26、文本28、图像30、内嵌广告32、文本34、内嵌广告36、文本38和在某些情况下的继续链接40。标题26表示文章内容的标题。文本28、34和38表示文章内容的主要文本。图像30表示作为文章内容的一部分的图片或其它图形内容。内嵌广告32和36表示到其它网站的链接，并且不必要与标题26、文本28、24和38以及图像30有关，并且在文章内容外围。文章内容可以跨越一个或多个附加网页页面。在这种情况下，包括继续链接40。继续链接40表示到包含附加文章内容的后续网页页面的链接，并且时间常常出现在文章部分12的结尾处且包括词语“下一个”或“1”和“2”。该附加网页页面可以包括或可以不包括到又另一网页页面的另一继续链接。

专栏部分16被示为包括专栏广告44、相关链接46以及专栏广告48。专栏广告44和48表示到其它网站的链接，并且可以是或可以不是与文章内容的主题有关。相关链接46表示到网站的其它网页页面的链接，其包括与网页页面10的文章内容有关的其它文章内容。页脚18被示为包括横幅广告50和网站链接条52。横幅广告50一般地表示充当到另一网页页面的链接的图像。网站链接条52表示用于导航网站的一组链接。通常，内容44～52中没有一个直接与部分12的文章内容的主题有关。