[发明专利]网页中关键图片的抓取方法和装置

权利要求书

1.一种网页中关键图片的抓取方法，其特征在于，包括：

A、分享网页时，分享接口获取该网页的网页地址，根据网页地址获取网页的文档对象模型DOM结构；

B、根据网页的DOM结构定位网页的中心节点，其中包括：根据H标签依照权重由高到低的顺序定位一个以上的中心节点，对于同一权重等级的H标签的多个节点，依据网页结构顺序对所述多个节点进行排序以定位所述中心节点；先针对权重最高的中心节点执行步骤C和D；

C、正则匹配所述中心节点及其兄弟节点处的图片，按照预设的过滤条件对正则匹配出的图片进行过滤，输出符合过滤条件的图片；所述中心节点的兄弟节点为：该中心节点的父节点的遍历子节点；

D、将步骤C输出的图片作为抓取到的所述网页的关键图片，向所述分享接口返回所述关键图片，其中，所述关键图片指描述或补充所述网页的主题内容的图片；

如果所述权重最高的中心节点进行步骤C和D没有抓取到所述网页的关键图片，则根据权重顺序选择下一个中心节点，针对该中心节点执行所述步骤C和D。

2.根据权利要求1所述的方法，其特征在于，所述步骤C中，如果没有正则匹配出所述中心节点及其兄弟节点处的图片、或者如果经过所述过滤处理后过滤掉了所有图片，则进一步包括：根据所述网页的DOM结构确定所述中心节点的父节点，正则匹配该父节点及其兄弟节点处的图片，按照预设的过滤条件对正则匹配出的所述父节点及其兄弟节点处的图片进行过滤，输出符合过滤条件的图片。

3.根据权利要求2所述的方法，其特征在于，所述步骤C中，如果没有正则匹配出所述父节点及其兄弟节点处的图片、或者如果对正则匹配出的所述父节点及其兄弟节点的图片进行过滤处理后过滤掉了所有的图片，则进一步包括：根据所述网页的DOM结构确定下一中心节点，重新执行本步骤C。

4.根据权利要求3所述的方法，其特征在于，步骤C中，在正则匹配过所有的中心节点后、或者正则匹配过的中心节点数达到预设的阈值后，如果没有匹配出图片、或者经过所述过滤处理后过滤掉了所有的图片，则进一步包括：

正则匹配所述网页的全局DOM结构的图片，根据预设的过滤条件对所述正则匹配出的图片进行过滤，输出符合过滤条件的图片。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述对图片进行过滤的方法具体为：

进行格式过滤，选出符合指定格式的图片；

进行属性过滤，选出符合指定高度和宽度的图片。

6.根据权利要求5所述的方法，其特征在于，所述对图片进行过滤的方法中进一步包括：

根据alt属性和title属性对所述经过格式过滤和属性过滤选出的图片进行加权，选出权重最高的图片；

根据所述网页的DOM结构，确定与所述权重最高的图片连续的若干图片，对所述若干图片重新进行所述格式过滤和属性过滤，输出通过过滤的图片和所述权重最高的图片。

7.根据权利要求5所述的方法，其特征在于，所述对图片进行过滤的方法中进一步包括：

从所述经过格式过滤和属性过滤选出的图片中选择面积最大的图片；

根据所述网页的DOM结构，确定与所述面积最大的图片连续的若干图片，对所述若干图片重新进行所述格式过滤和属性过滤，输出通过过滤的图片和所述面积最大的图片。

8.根据权利要求5所述的方法，其特征在于，所述格式过滤中所述的指定格式的图片为JPG图片和PNG图片。