[发明专利]一种小说目录项的识别方法、装置和系统

权利要求书

1.一种小说目录项的识别方法，其特征在于，包括：

根据万维网网页的链接确定所述万维网网页是否为首页或二级首页；

若是，则确定不存在小说目录项特征；

若否，则根据所述万维网网页建立第二文档对象模型树，利用所述第二文档对象模型树获取所述万维网网页的标题和全文具有正文特征的文本链接，确定所述标题存在预置的小说标题特性关键词，且确定所述全文具有正文特征的文本链接中存在预置的小说正文特性关键词的文本链接的数量大于等于预置的第一阈值，且确定全文中相似文本链接占全文所有文本链接的比例大于等于预置的第二阈值时，确定存在小说目录项特征，否则，确定不存在小说目录项特征；

若存在小说目录项特征，则确定所述万维网网页为小说目录页；

若不存在小说目录项特征，则对所述万维网网页进行视觉分块，得到分块后网页，根据分块后网页建立第一文档对象模型树，根据所述第一文档对象模型树获取疑似目录块的特征，根据所述疑似目录块的特征确定存在小说目录页时，确定所述分块后网页为小说目录页。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一文档对象模型树获取疑似目录块的特征，包括：

根据所述第一文档对象模型树获取疑似目录块位置、疑似目录块链接和疑似目录块中具有正文特征的文本链接；

则根据所述疑似目录块的特征确定存在小说目录页时，确定所述分块后网页为小说目录页具体为：根据疑似目录块位置、疑似目录块链接和疑似目录块中具有正文特征的文本链接确定存在小说目录页时，确定所述分块后网页为小说目录页。

3.根据权利要求2所述的方法，其特征在于，所述根据疑似目录块位置、疑似目录块链接和疑似目录块中具有正文特征的文本链接确定存在小说目录页，包括：

根据疑似目录块链接和疑似目录块中具有正文特征的文本链接确定符合第一条件和第二条件时，确定存在小说目录页；

所述第一条件包括：疑似目录块中具有正文特征的文本链接中存在预置的小说正文特性关键词的文本链接的数量大于等于预置的第三阈值，且疑似目录块中相似文本链接占本疑似目录块中所有文本链接的比例大于等于预置的第四阈值；

所述第二条件包括：在根据疑似目录块位置、疑似目录块链接和疑似目录块中具有正文特征的文本链接确定所述分块后网页存在目录块的前提下，符合以下任意一种情况：代表目录块中具有正文特征的文本链接中存在预置的小说正文特性关键词的文本链接的数量大于等于预置的第五阈值；或，代表目录块中的相似文本链接的数量大于等于预置的第六阈值，且代表目录块中的相似文本链接占本疑似目录块中所有文本链接的比例大于等于预置的第七阈值；或，所述分块后网页中的所有疑似目录块中的相似文本链接的数量大于等于预置的第八阈值，且所述分块后网页中的所有疑似目录块中的相似文本链接占该分块后网页中所有文本链接的比例大于等于预置的第九阈值；

所述代表目录块为：统计疑似目录块中出现的小说正文页的链接特征的数量，以及统计疑似目录块中具有正文特征的文本链接中存在预置的小说正文特性关键词的文本链接的数量；确定所述链接特征的数量和小说正文特性关键词的文本链接的数量最多的疑似目录块为代表目录块。

4.根据权利要求3所述的方法，其特征在于，所述根据疑似目录块位置、疑似目录块链接和疑似目录块中具有正文特征的文本链接确定所述分块后网页存在目录块，包括：

确定疑似目录块位置满足预置条件，且确定疑似目录块链接存在预置的小说正文页的链接特征，且确定疑似目录块具有正文特征的文本链接中存在预置的小说正文特性关键词时，确定所述分块后网页存在目录块。

5.根据权利要求1至4任一项所述的方法，其特征在于，

所述小说标题特性关键词包括：目录和/或标题；

所述小说正文特性关键词包括：第、章、节、回和/或卷。