[发明专利]网页中关键图片的抓取方法和装置

说明书

本发明公开了一种网页中关键图片的抓取方法和装置，方法包括：A、根据网页地址获取网页的DOM结构；B、根据网页的DOM结构定位网页的中心节点；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；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。所述装置包括对应的DOM结构获取模块、节点确定模块、正则匹配模块、过滤器、以及关键图片确定模块。利用本发明，可以提高所抓取网页的关键图片与网页主题内容的符合程度，降低人机交互次数，简化操作。

技术领域

本发明涉及互联网信息处理领域，尤其涉及一种网络页面(简称网页)中关键图片的抓取方法和装置。

背景技术

目前出现了互联网内容的分享功能，例如某些微博平台可以提供分享接口，第三方网站可以接入该分享接口来将本网站的网页内容分享到微博系统中，从而提升了用户体验。目前的分享接口所分享的网页内容主要包括：网页的链接、简要内容文字介绍、以及网页中的图片。具体过程是：用户点击分享按钮后，分享接口会抓取该网页的链接地址、主题内容、以及图片等信息，将该这些信息分享到目标系统中，例如分享到微博中。利用分享接口，用户可以将喜欢的或有价值的网页分享给他在微博系统中的粉丝、听众或好友，从而增加了对该网页的访问流量。目前这种分享接口已经被广泛地利用在了第三方网站上。

现有的这种分享接口技术在分享网页中的图片时，需要进行多步操作：首先，将网页中的所有图片提取出来显示给用户，由用户人工点击选择出其中的关键图片；其次，当收到用户的选择指令后再确认最终所分享的图片；最后直到用户点击确定分享后才将图片分享到目标系统(如微博平台)中。

一个网站页面可能要表述一个或者一个以上个主题内容，而形象描述(或补充)这些主题内容的图片就是关键图片，例如：新闻页面的新闻附属图片。

但是现有技术在分享网页中的图片时，存在如下缺点：

无法做到智能化抓取网页中的关键图片，用户和互联网机器侧的人机交互次数过多，操作复杂；并且其选择出的图片往往与网页的主题内容的符合程度低，不是关键图片，尤其是在网页中存在大量图片和图标时，更是无法快速智能地找到其中的关键图片，往往选出的是无关的图片，用户在分享图片时操作更为复杂，选择等待的时间更长。

发明内容

有鉴于此，本发明的主要目的在于提供一种网络页面中关键图片的抓取方法和装置，以提高所抓取网页的关键图片与网页主题内容的符合程度，降低人机交互次数，简化操作。

本发明的技术方案是这样实现的：

一种网页中关键图片的抓取方法，包括：

A、根据网页地址获取网页的文档对象模型(DOM，Document Object Model)结构；

B、根据网页的DOM结构定位网页的中心节点；

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；

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。

一种网页中关键图片的抓取装置，其特征在于，该装置包括：

DOM结构获取模块，用于根据网页地址获取网页的DOM结构；

节点确定模块，用于根据所述网页的DOM结构定位网页的中心节点，将中心节点输入到正则匹配模块；

正则匹配模块，用于正则匹配所输入的节点及其兄弟节点处的图片，输出匹配出的图片到过滤器；

过滤器，用于按照预设的过滤条件对输入的图片进行过滤，输出符合过滤条件的图片；

关键图片确定模块，用于将所述过滤器输出的图片作为抓取到的所述网页的关键图片。