[发明专利]网页信息提取方法和装置、电子设备和存储介质

权利要求书

1.一种网页信息提取方法，其特征在于，包括：

基于目标网页的字体，获取目标网页的字体文件，其中，所述目标网页的字体用于表示所述目标网页中显示的字体；

基于所述目标网页的字体文件，确定所述目标网页的字体文件中的至少一个编码字符；其中，一个编码字符对应一个文字或一个数字；

基于所述目标网页的字体文件中的至少一个编码字符，获得各编码字符对应的所述目标网页中的文字和/或数字；

若所述目标网页中存在无法识别的文字和/或数字，则对所述目标网页中无法识别的文字和/或数字进行校正，获得可识别的文字和/或数字；

其中所述基于所述目标网页的字体文件中的至少一个编码字符，获得各编码字符对应的所述目标网页中的文字和/或数字，包括；

基于所述目标网页的字体文件中的至少一个编码字符，确定每个编码字符的至少一个显示坐标；

基于所述每个编码字符的至少一个显示坐标，确定所述每个编码字符对应的文字或数字；

基于所述每个编码字符对应的文字或数字，获得所述目标网页中的文字和/或数字。

2.根据权利要求1所述的方法，其特征在于，所述基于所述目标网页的字体文件，确定所述目标网页的字体文件中的至少一个编码字符，包括：对所述目标网页的字体文件进行解码，确定所述目标网页的字体文件中的至少一个编码字符。

3.根据权利要求1-2任一所述的方法，其特征在于，所述若所述目标网页中存在无法识别的文字和/或数字，对所述目标网页中无法识别的文字和/或数字进行校正，获得可识别的文字和/或数字包括：利用所述目标网页的异常字符映射信息，对所述目标网页中无法识别的文字和/或数字进行校正，获得可识别的文字和/或数字。

4.根据权利要求3所述的方法，其特征在于，所述异常字符映射信息包括：预先建立的无法识别的文字和数字对应的编码字符与可识别的文字和数字对应的编码字符之间的映射关系。

5.根据权利要求3所述的方法，其特征在于，还包括：

对所述目标网页中的文字和/或数字的正确率进行周期性检测；

若所述目标网页中的文字和/或数字的正确率低于匹配阈值，重新建立所述异常字符映射信息。

6.根据权利要求1-2任一所述的方法，其特征在于，还包括：

对所述目标网页的字体进行监测；

若监测到所述目标网页的字体发生变化，则变更所述目标网页的字体文件，替换所述目标网页的字体文件中的至少一个编码字符。

7.一种网页信息提取装置，其特征在于，包括：

获取模块，用于基于目标网页的字体，获取目标网页的字体文件，其中，所述目标网页的字体用于表示所述目标网页中显示的字体；

确定模块，用于基于所述目标网页的字体文件，确定所述目标网页的字体文件中的至少一个编码字符；其中，一个编码字符对应一个文字或一个数字；

第一获得模块，用于基于所述目标网页的字体文件中的至少一个编码字符，获得各编码字符对应的所述目标网页中的文字和/或数字；

第二获得模块，用于若所述目标网页中存在无法识别的文字和/或数字，则对所述目标网页中无法识别的文字和/或数字进行校正，获得可识别的文字和/或数字；

所述第一获得模块包括：

第一确定单元，用于基于所述目标网页的字体文件中的至少一个编码字符，确定每个编码字符的至少一个显示坐标；

第二确定单元，用于基于所述每个编码字符的至少一个显示坐标，确定所述每个编码字符对应的文字或数字；

获得单元，用于基于所述每个编码字符对应的文字或数字，获得所述目标网页中的文字和/或数字。

8.根据权利要求7所述的装置，其特征在于，所述第二获得模块具体用于：利用所述目标网页的异常字符映射信息，对所述目标网页中无法识别的文字和/或数字进行校正，获得可识别的文字和/或数字。