[发明专利]网页内容获取方法和系统

权利要求书

1.一种网页内容获取方法，包括：

获取目标网址；

根据所述目标网址获取对应的目标网页；

将所述目标网页展示的内容处理成图片格式，得到目标图片；

识别所述目标图片中的文字信息。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

利用网络爬虫技术获取目标网址；

利用浏览器根据所述目标网址获取对应的目标网页。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对目标图片进行裁剪得到所述目标图片的识别区域；

识别所述目标图片的识别区域中的文字信息。

4.根据权利要求1所述的方法，其特征在于，识别所述目标图片中的文字信息包括：

由服务器集群或云计算资源池识别所述目标图片中的文字信息。

5.根据权利要求1或4所述的方法，其特征在于，识别所述目标图片中的文字信息包括：

使用光学字符识别技术识别所述目标图片中的文字信息。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对识别出的文字信息进行数据清洗、分类存储和/或建立索引。

7.一种网页内容获取系统，包括：

网址获取模块，用于获取目标网址；

网页解析模块，用于根据所述目标网址获取对应的目标网页；

图片获取模块，用于将所述目标网页展示的内容处理成图片格式，得到目标图片；

识别模块，用于识别所述目标图片中的文字信息。

8.根据权利要求7所述的系统，其特征在于，还包括裁剪模块，用于对目标图片进行裁剪得到所述目标图片的识别区域，所述识别模 块用于识别所述目标图片的识别区域中的文字信息。

9.根据权利要求7所述的系统，其特征在于，所述识别模块用于采用光学字符识别技术识别所述目标图片中的文字信息。

10.根据权利要求7所述的系统，其特征在于，还包括：

数据清洗模块，用于对识别出的文字信息进行数据清洗，

分类存储模块，用于将识别出的文字信息进行分类存储，

和/或，索引模块，用于对识别出的文字信息建立索引。

11.根据权利要求7所述的系统，其特征在于，所述系统包括网络爬虫、浏览器，以及服务器集群或云计算资源池；

网络爬虫包括所述网址获取模块，所述浏览器包括所述网页解析模块和所述图片获取模块，所述服务器集群或云计算资源池包括所述识别模块。