[发明专利]检测Web页面的方法、装置、设备以及计算机存储介质

权利要求书

1.一种检测Web页面的方法，其特征在于，包括：

识别待检测的Web页面数据信息，计算所述Web页面的数据度；所述数据度为各个表单中相应的数据值；

判断所述数据度是否大于等于预设数据度阈值；

若所述数据度小于所述预设数据度阈值，则判定所述Web页面不为敏感数据页面；

其中，所述识别待检测的Web页面数据信息，计算所述Web页面的数据度包括：

依据所述Web页面的表格标签和所述表格标签的嵌套关系，统计所述Web页面中的数据量大小，并根据所述数据量大小计算所述数据度。

2.如权利要求1所述的方法，其特征在于，所述判断所述数据度是否大于预设数据度阈值还包括：

若所述数据度大于等于所述预设数据度阈值，则依据预先构建的敏感关键词字典库，查找所述Web页面数据中的敏感关键词；

根据所述敏感关键词在所述Web页面数据中的占比，计算所述Web页面的敏感度；

判断所述敏感度是否大于等于预设敏感度阈值；

若所述敏感度大于等于所述预设敏感度阈值，则判定所述Web页面为敏感数据页面。

3.如权利要求2所述的方法，其特征在于，所述依据预先构建的敏感关键词字典库，查找所述Web页面数据中的敏感关键词前还包括：

采集各个行业的敏感关键词形成敏感数据集，根据词频和语义为所述敏感数据集中的各个敏感关键词分配权重；

将权重大于预设权重阈值的敏感关键词进行分类后，构建敏感关键词字典库并为所述敏感关键词字典库中的各个敏感关键词设置语义场景。

4.如权利要求3所述的方法，其特征在于，所述依据预先构建的敏感关键词字典库，查找所述Web页面数据中的敏感关键词包括：

对所述Web页面数据进行分割，获得多个数据串，依据预先构建的敏感关键词字典库分别对所述多个数据串进行关键词匹配；

对与所述敏感关键词字典库中的敏感关键词匹配成功的数据串进行语义场景过滤；

过滤所述匹配成功的数据串中不符合语义场景的数据串，将过滤后剩余的数据串作为所述Web页面数据中的敏感关键词。

5.如权利要求4所述的方法，其特征在于，所述过滤所述匹配成功的数据串中不符合语义场景的数据串，将过滤后剩余的数据串作为所述Web页面数据中的敏感关键词包括：

分析所述匹配成功的数据串的位置信息，长度信息和符号特征，判断所述匹配成功的数据串是否符合语义场景；

删除所述匹配成功的数据串中不符合语义场景的数据串后，将剩余的数据串作为所述Web页面数据中的敏感关键词。

6.如权利要求1所述的方法，其特征在于，所述依据所述Web页面的表格标签和所述表格标签的嵌套关系，计算所述Web页面的数据度包括：

利用所述Web页面的table标签、thead标签、tbody标签、tr标签、th标签和td标签之间的嵌套关系，统计所述Web页面的数据量大小，以便计算所述Web页面的数据度。

7.如权利要求6所 述的方法，其特征在于，所述利用所述Web页面的table标签、thead标签、tbody标签、tr标签、th标签和td标签之间的嵌套关系，统计所述Web页面的数据量大小包括：

利用所述Web页面的table标签、thead标签、tbody标签、tr标签、th标签和td标签之间的嵌套关系，还原所述Web页面中数据实体、干扰项和无关项的数据分布；

分别计算所述Web页面表格每行的数据量后，统计算所述Web页面表格的数据量。

8.如权利要求1-7任一项所述的方法，其特征在于，所述识别待检测的Web页面数据信息，计算所述Web页面的数据度前还包括：

利用待检测的Web页面的网页地址和页面特征，判断所述Web页面存在敏感数据的几率。