[发明专利]一种搜索引擎抓取网页媒体内容信息的方法和装置

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种搜索引擎抓取网页媒体内容信息的方法和装置。

背景技术

随着计算机技术的发展和普及，通过搜索引擎网获取各种媒体信息的需求也日益增加。目前，几乎所有媒体内容，例如，图片、动画、音频和视频都是以网页的形式承载。因此，主要通过输入关键字来命中触发相关网页，并将相关网页显示在搜索结果中来获取相关媒体内容信息。搜索结果主要以文字的形式来呈现，例如以关键词飘红的形式显示在网页中，如图1所示，而没有给出关于网页中是否包含媒体内容信息以及媒体内容相关信息的提示。这种方式会存在以下问题：仅通过搜索结果中的文字信息，用户无法了解到各网页里面到底有多少自己想要的媒体内容信息，相关度怎样，是否有网页作弊嫌疑骗取点击嫌疑；用户为了找到媒体内容，必须通过观察网页中各搜索结果的关键词飘红情况点开各个网页，然后再进行筛选，效率不高；由于不知道各网页背后媒体内容的情况，导致很多靠前的网页点击量较高，但实际结果情况并不满足用户需求；而目前主流搜索引擎都有点击反馈机制，最终使得这些并不满足用户需求的网页排位总是很高，实际与用户需求有偏差，导致信息搜索效率不高。

发明内容

鉴于上述问题，提出了本发明，以便提供一种克服上述问题或者至少部分地解决上述问题的搜索引擎抓取网页媒体内容信息的方法和装置。

依据本发明的第一方面，提供了一种搜索引擎抓取网页媒体内容信息的方法，包括步骤：抓取网页信息；检测网页信息是否包含预设的媒体内容的信息的标识；在检测到网页信息中包含标识的情况下，提取网页信息中的文字信息和媒体内容信息；基于文字信息和媒体内容信息，分别建立文字索引库和媒体内容索引库。

可选地，在根据本发明的实施例的搜索引擎抓取网页媒体内容信息的方法中，媒体内容至少包括下列中的一种：图片、动画、音频和视频。

可选地，在根据本发明的实施例的搜索引擎抓取网页媒体内容信息的方法中，在检测到网页信息中包含标识的情况下，提取网页信息中的文字信息和媒体内容信息的步骤包括：在检测到网页信息中包含标识的情况下，提取网页的至少下列中的一种文字信息：标题、摘要和正文；并且提取网页的至少下列中的一种媒体内容信息：媒体内容的标题、数量、第一缩略图、作者、长度和/或大小、格式和每个媒体内容的第一URL地址。

可选地，在根据本发明的实施例的搜索引擎抓取网页媒体内容信息的方法中，在检测到网页信息中包含标识的情况下，提取网页信息中的文字信息和媒体内容信息的步骤还包括：为网页分配第二URL地址，其中第二URL地址指向显示网页中的一个或多个媒体内容的第二缩略图的页面。

可选地，在根据本发明的实施例的搜索引擎抓取网页媒体内容信息的方法中，基于文字信息和媒体内容信息，分别建立文字索引库和媒体内容索引库的步骤包括：使文字索引库中的文字信息与媒体内容索引库中关于同一网页的媒体内容信息相关联。

依据本发明的第二方面，提供了一种用于搜索引擎抓取网页媒体内容信息的装置，包括：信息抓取模块，适于抓取网页信息；标识检测模块，适于检测网页信息是否包含预设的媒体内容的信息的标识；信息提取模块适于在检测到网页信息中包含标识的情况下，提取网页信息中的文字信息和媒体内容信息；索引库建立模块，适于基于文字信息和媒体内容信息，分别建立文字索引库和媒体内容索引库。

可选地，在根据本发明的实施例的搜索引擎抓取网页媒体内容信息的装置中，媒体内容至少包括下列中的一种：图片、动画、音频和视频。

可选地，在根据本发明的实施例的搜索引擎抓取网页媒体内容信息的装置中，信息提取模块适于：在检测到网页信息中包含标识的情况下，提取网页的至少下列中的一种文字信息：标题、摘要和正文；并且提取网页的至少下列中的一种媒体内容信息：媒体内容的标题、数量、第一缩略图、作者、长度和/或大小、格式和每个媒体内容的第一URL地址。

可选地，在根据本发明的实施例的搜索引擎抓取网页媒体内容信息的装置中，信息提取模块适于：为网页分配第二URL地址，其中第二URL地址指向显示网页中的一个或多个媒体内容的第二缩略图的页面。

可选地，在根据本发明的实施例的搜索引擎抓取网页媒体内容信息的装置中，索引库建立模块适于：使文字索引库中的文字信息与媒体内容索引库中关于同一网页的媒体内容信息相关联。